Segmentación y clasificación de defectos superficiales en piezas de fundición de hierro nodular

Résumé

Los procesos productivos son uno de los indicadores más representativos del progreso de una sociedad. Es por ello, que su optimización se ha convertido en uno de los principales objetivos del ser humano. Ésta, se ha materializado, en algunos casos, como mejoras aplicadas al producto fabricado, y en otros, como avances en el propio proceso en sí. Uno de los procesos productivos más importantes es el de la fundición. A grandes rasgos, este proceso conlleva la fusión de un material y su posterior enfriamiento en un molde en el que se le proporciona la forma deseada. Concretamente, en esta tesis doctoral nos vamos a centrar en la fundición de hierro. Ésta, se encarga de suministrar piezas clave a otras industrias como la automovilística, la naval o la aérea entre muchas otras. Es por este motivo, que estas piezas son sometidas a estrictos controles de calidad con los que se busca eliminar los posibles defectos que puedan haber surgido a lo largo del proceso. Actualmente, esta inspección se realiza de forma manual, lo que conlleva una serie de riesgos inherentes a los operarios que realizan dicha tarea. En esta tesis doctoral proponemos un nuevo sistema de visión artificial, que es capaz de determinar la validez de una pieza de fundición de hierro, detectando y categorizando los defectos superficiales que puedan aparecer en la misma. Para ello, hemos diseñado y construido un sistema de visión artificial, que es capaz de capturar la información superficial de las piezas, y a continuación, genera distintas representaciones de la información capturada. Posteriormente, proponemos un método de segmentación, que partiendo de las representaciones gráficas generadas, delimita las regiones de la superficie susceptibles de contener un defecto. Además, produce una representación de las mismas en base a distintos tipos de características extraídas. Para la detección y categorización de los defectos existentes en las regiones, planteamos un método de categorización basado en algoritmos de aprendizaje automático supervisado. Como último aporte, planteamos una mejora del método de segmentación propuesto, y que se basa en técnicas de clustering. Asimismo, proponemos una mejora del método de categorización basada en algoritmos de aprendizaje automático colectivo. Con ambas mejoras, conseguimos una mejora sustancial de los métodos propuestos anteriormente.