PSgANet: Red Neuronal de Atención Guiada por Secuencia Polar para la Clasificación de Defectos Relacionados con el...

Área de la Ciencia:

• Optimización de procesos industriales
• Inteligencia artificial en la fabricación
• Control de calidad de lentes de contacto

Sus antecedentes:

• La fabricación de lentes de contacto exige alta precisión y seguridad.
• Los métodos de IA existentes tienen dificultades con defectos sutiles en la zona conectada al borde (RCZ).
• Necesidad de IA avanzada para mejorar la eficiencia operativa y la garantía de calidad.

Objetivo del estudio:

• Presentar un nuevo enfoque de IA para la detección precisa de defectos en lentes de contacto.
• Desarrollar un modelo de aprendizaje profundo personalizado, PSgANet, para la identificación de defectos en la RCZ.
• Mejorar la precisión y la clasificación de los defectos en la fabricación de lentes de contacto.

Principales métodos:

• Se empleó la transformación de coordenadas polares para linealizar las irregularidades del borde.
• Se desarrolló la Red Neuronal de Atención Guiada por Secuencia Polar (PSgANet), que integra el aprendizaje de secuencias y mecanismos de atención.
• Se comparó PSgANet (GRU, LSTM, Transformer) con modelos convencionales (GoogleNetv4, EfficientNet, Vision Transformer).

Principales resultados:

• Los modelos PSgANet superaron a los modelos tradicionales basados en redes neuronales convolucionales (CNN).
• El PSgANet basado en LSTM logró la mayor precisión, exactitud y exhaustividad.
• Se demostró una mejora de hasta el 7,75% en la precisión en comparación con GoogleNetv4.

Conclusiones:

• El método propuesto PSgANet es eficaz para detectar y clasificar defectos en la RCZ.
• La integración de IA, específicamente PSgANet, mejora el control de calidad en la producción de lentes de contacto.
• Este enfoque ofrece una solución prometedora para los estrictos requisitos de seguridad en la fabricación de dispositivos médicos.