Ítem
Acceso Abierto

Tornidentifier: identificación y clasificación automática de tornillos con redes neuronales profundas

Título de la revista
Autores
García Espitia, Luis Alejandro
Rojas Gacha, Juan David

Archivos
Fecha
2023-01-05

Directores
Andrade Lotero, Edgar José
Alférez Baquero, Edwin Santiago

ISSN de la revista
Título del volumen
Editor
Universidad del Rosario

Buscar en:

Métricas alternativas

Resumen
La tarea de clasificación de tornillos hasta el momento es solo ejecutada por humanos. De hecho, las fotos no son aceptadas como insumo para la clasificación de tornillos debido a que existe información que no se puede determinar con las imágenes, como el diámetro del tornillo y el paso de la rosca. Con el avance de los modelos del aprendizaje automático de maquina y la inclusión de la clasificación automática de imágenes digitales con arquitecturas de redes neuronales profundas, no se ha explorado la solución de esta tarea, en gran parte, porque el factor trascendental para su entrenamiento es un conjunto de datos apropiado que no existe para este problema. En el presente proyecto se construyó un conjunto de imágenes inédito con el cual se pretende entrenar redes neuronales profundas para la clasificación de los tornillos. Además, se entrenó un modelo de detección de objetos especializados para tornillos el cual funcionará juntamente con el modelo de clasificación para aparte de dar una clasificación se identifique en que parte de la imagen este el tornillo. Por último, los modelos fueron puestos en producción dentro de una interfaz en la cual el objetivo es subir una imagen con tornillos y que los modelos sean capaces de detectar donde están y clasificar sus características
Abstract
The screw classification task so far is only performed by humans. In fact, the photos are not accepted as input for the screw classification because there is information that cannot be determined with the images, such as the diameter of the screw and the pitch of the thread. With the advancement of machine learning models and the inclusion of automatic classification of digital images with deep neural network architectures, the solution to this task has not been explored, largely because the transcendental factor for its training is an appropriate data set that does not exist for this problem. In the present project, a set of unpublished images was built with which it is intended to train deep neural networks for the classification of screws. In addition, a specialized object detection model for screws was trained, which will work together with the classification model so that, apart from giving a classification, it identifies which part of the image the screw is in. Finally, the models were put into production within an interface in which the objective is to upload an image with screws and for the models to be able to detect where they are and classify their features
Palabras clave
Clasificación y separación de tornillos , Detección de imágenes , Clasificación de imágenes , Redes neuronales , Aprendijaze profundo , Automatización de procesos
Keywords
Bolt classification and Screws , Image classification , Image detection , Neuronal networks , Deep learning , Process automation
Buscar en:
Enlace a la fuente