Detección de aprendizaje profundo basado en imágenes RGB e IR de bugak de lavado seco para sistemas de automatización...

Área de la Ciencia:

• Robótica y automatización
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• La clasificación y carga manual en la fabricación de Kimbugak limita la escalabilidad y aumenta la carga de trabajo del trabajador.
• Los desafíos actuales de la automatización requieren una detección y clasificación avanzadas de objetos para la integración robótica.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo para detectar y clasificar las características físicas de los bugak secos.
• Permitir operaciones robóticas de recogida y colocación en la producción de Kimbugak a través del análisis de imágenes mejorado.

Principales métodos:

• Utilizó los modelos You Only Look Once (YOLO) y el Transformador de Detección en Tiempo Real (RT-DETR).
• Implementación de imágenes RGB e infrarrojas (IR) fusionadas con una red de 19 capas del Grupo de Geometría Visual (VGG19) para mejorar la calidad de entrada.
• Identificó un mínimo de cinco clases físicas para el manejo robótico eficaz.

Principales resultados:

• El modelo YOLOv11l logró una puntuación F1 de 0,94 y mAP@0,5 de 0,95, superando a los YOLOv8.
• La fusión de imágenes basada en VGG mejoró significativamente la precisión de detección para el bugak lavado seco.
• Demostró la viabilidad de la clasificación y carga automatizadas utilizando el enfoque de aprendizaje profundo desarrollado.

Conclusiones:

• La fusión de imágenes basada en VGG combinada con YOLOv11l ofrece una solución óptima para clasificar y localizar el bugak de lavado seco.
• El estudio subraya la importancia de definir las clases físicas, la fusión multimodal de imágenes y la selección de detectores para la automatización.
• Esta investigación allana el camino para una automatización robótica eficiente en la fabricación de Kimbugak.