Reconstrucción 3D basada en aprendizaje profundo para la detección de defectos en subconjuntos de construcción naval

Área de la Ciencia:

• Fabricación industrial
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• Los defectos de sobrepaso en los subconjuntos de construcción naval comprometen la integridad estructural y la seguridad.
• La detección precisa de defectos es crucial para el control de calidad en entornos industriales.

Objetivo del estudio:

• Desarrollar y evaluar métodos de aprendizaje no supervisado para la detección automática de defectos de sobrepaso en subconjuntos de construcción naval.
• Comparar el rendimiento de cuatro arquitecturas de autoencoder de última generación para la identificación de defectos.

Principales métodos:

• Se utilizó aprendizaje no supervisado basado en reconstrucción en nubes de puntos 3D.
• Se implementaron y compararon las arquitecturas de autoencoder Variational Autoencoder (VAE), FoldingNet, Dynamic Graph CNN (DGCNN) y PointNet++.
• Se empleó Isolation Forest en los errores de reconstrucción para la detección de anomalías.

Principales resultados:

• La detección de anomalías basada en reconstrucción en nubes de puntos 3D es una estrategia viable para la identificación de defectos industriales.
• El estudio destaca la importancia de seleccionar arquitecturas que equilibren el rendimiento, la estabilidad geométrica y el costo computacional.
• Se analizó el rendimiento de la detección en relación con el parámetro de contaminación.

Conclusiones:

• El aprendizaje no supervisado ofrece un enfoque robusto para identificar defectos de sobrepaso en componentes industriales complejos.
• La elección de la arquitectura del autoencoder impacta significativamente la efectividad y eficiencia de la detección de defectos.
• Esta metodología apoya el control de calidad y la seguridad mejorados en la construcción naval.