Desarrollo de un sistema basado en visión artificial para la evaluación de la calidad en el ensamble de conectores en bolsas de aire automotrices

Abstract

Se presenta una metodología para el desarrollo de un clasificador por medio de visión artificial utilizando redes neuronales convolucionales. Este clasificador complementado con la capa física compuesta por un sistema de adquisición y elementos localizadores fue utilizado para la clasificación de conectores de bolsas de aire en una línea de producción de autos. El propósito de esta implementación es el de detectar los defectos en la línea de producción y disminuir la cantidad de piezas defectuosas que salen de la misma. La implementación se realizó en una empresa proveedora de puertas y paneles para autos tipo sedán y fue realizada durante el periodo de julio de 2019 a diciembre de 2019. Se analizaron vehículos de dos marcas, cada uno con tres conectores en el área de interés. Estos conectores podrían estar en buen o mal estado de conexión. En los seis tipos de conectores analizados los defectos pueden ser apreciados a simple vista por lo que se determino era viable analizarlos por medio de visión artificial. El sistema clasificador se implementó utilizando una arquitectura de redes neuronales convolucionales la cual fue elegida entre las diferentes opciones de arquitecturas neuronales por su desempeño en el análisis de imágenes. Este modelo fue entrenado con imágenes etiquetadas y pre procesadas de conectores en buen y mal estado, de acuerdo con lo establecido en metodologías existentes para el entrenamiento de redes neuronales. Los elementos localizadores fueron diseñados y fabricados utilizando herramientas CAD/CAM y siguiendo metodologías preestablecidas para el diseño de herramientas localizadoras y principio de diseño mecánico para manufactura. La repetibilidad y precisión de este sistema fueron evaluados de manera que se asegure el buen funcionamiento del sistema en general. El algoritmo fue primeramente evaluado a nivel prototipo fuera de la línea de producción entrenando y validando con conjuntos de imágenes independientes hasta llegar a un nivel de precisión aceptable. Posteriormente se probó en línea durante 5 meses durante los cuales los datos fueron recopilados y analizados en un estudio. Los resultados del estudio arrojaron que el sistema tiene una confiabilidad aceptable para su uso en la industria automotriz, logrando una reducción del tiempo de inspección y teniendo un impacto significativo positivo en el número de reportes que el proveedor recibe de su cliente en cuanto a piezas con defectos. Se determinó entonces que para futuros proyectos de monitoreo inteligente de la calidad se puede considerar el uso de sistemas de visión artificial entrenados por medio de redes neuronales para evaluar componentes y crear un registro de las piezas analizadas para una futura consulta y diagnóstico.