Detección y categorización de defectos en fabricación aditiva de piezas poliméricas mediante inspección visual basada en Deep Learning

Abstract

La inspección visual en la industria actual está evolucionado hacía la automatización aumentando la fiabilidad y reduciendo costes, eliminando de esta forma el factor humano del proceso. Por ello el presente Trabajo Fin de Grado pretende dar solución a la detección y categorización de defectos de fabricación por Fabricación Aditiva (AM) mediante tecnología de deposición de hilo fundido (FFF/FDM) con material polimérico, utilizando un sistema de inspección visual basado en algoritmos de inteligencia artificial, concretamente deep learning (redes neuronales). En primer lugar se ha realizado un estudio de los posibles defectos a generar según las necesidades reales de la industria, así como un estudio del estado del arte de la inteligencia artificial para poder crear un modelo acorde a las necesidades del presente trabajo. A continuación se han llevado a cabo las impresiones 3D necesarias para poder generar el contenido digital apropiado para alimentar el modelo al cual se va a entrenar, generando un número de imágenes necesarias tanto para el entrenamiento como para la validación del modelo. Posteriormente se han realizado las capturas de imágenes de cada una de las piezas impresas mediante un dispositivo de captura de imágenes apropiado. A su vez se ha categorizado cada imagen para que el modelo pudiera procesar cada una de ellas conociendo a que categoría pertenece. Se ha entrenado el modelo realizando varias configuraciones para determinar cuáles factores eran más determinantes. Finalmente se ha creado un software que permite explotar el modelo entrenado aportando imágenes al mismo, el cual determinará a la categoría a la que pertenece el defecto y la probabilidad de pertenecer a dicha categoría.