Implementación de sistema de detección de objetos mediante ESP32-CAM para el control de calidad de la estación FMS-210

En la actualidad, el interés por la inteligencia artificial y aprendizaje automático ha experimentado un notable crecimiento. La detección de objetos se ha vuelto crucial, y su desarrollo eficiente requiere el aprovechamiento de estas tecnologías. En el entorno industrial el desarrollo de productos de forma automatizada se encuentra en alza para micro y pequeñas empresas, para su desarrollo continuo en cadenas de producción se requiere de un control importante en cuanto a la calidad de los mismos. En la mayoría de empresas pequeñas este último no es indispensable, pues se requiere de tecnologías más sofisticadas y costosas para su implementación, aunque este genere gran impacto en el rendimiento de toda la producción, ya que es a través de esta última etapa que se pueden realizar las correcciones necesarias para una producción eficaz en costo beneficio. Sin embargo, con el uso de algunas herramientas modernas como lo son Google Cloud Visión AI, Labelbox. Simplismart, TensorFlow, Edge Impulse entre otras; el desarrollo de modelos de aprendizaje automático se ha simplificado considerablemente. Lo cual permite ofrecer solución a este tipo de problemática, implementar un sistema de control de calidad para líneas de producción ahora puede resultar accesible a micro y pequeñas empresas. Este proyecto se enfoca en diseñar un modelo de aprendizaje para el microcontrolador ESP32 para el control de calidad en líneas de producción. Se busca evaluar la velocidad de detección y precisión, frente al control de calidad estándar de la estación FMS-210 (control de calidad mediante visión artificial). Por medio de las cuatro etapas establecidas; captura, análisis, segmentación y reconocimiento, se obtiene un modelo para el control de calidad de la pieza, este modelo se exporta en formato de librería para Arduino, en Arduino se desarrolla el código necesario para la captura en tiempo real de la pieza, se realiza el procesamiento de imagen asistido por el modelo, dando como resultado si la pieza está completa o no, además de otros datos como lo es el tiempo que tardó en realizar la detección, si la conexión se realiza correctamente o tamaño aproximado de la pieza. Estos datos se envían desde la ESP32 mediante comunicación serial por bluetooth a la computadora o dispositivo móvil, los cuales se presentan en una interfaz de usuario desarrollada en MIT App Inventor.

• Autores: Cangrejo Arias, Cristian; Ovalle Cañón, Juan
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/92931
• Acceso en línea: http://hdl.handle.net/11349/92931
• Palabra clave: Adquisición de imágenes; Aprendizaje automático; Detección de objetos; Inteligencia artificial; Redes neuronales; Tecnología en Electrónica -- Tesis y disertaciones académicas; Inteligencia artificial; Aprendizaje automático (Inteligencia artificial); Control de calidad; Sistemas de control inteligente; Image acquisition; Machine learning; Object detection; Artificial intelligence; Neural networks
• License: Abierto (Texto Completo)