Desarrollo de un modelo de inspección de corrosión galvánica mediante inspección visual con inteligencia artificial y visión computacional

Abstract

La corrosión galvánica se refiere a un proceso de degradación que ocurre cuando diferentes metales hacen contacto eléctrico en un medio electrolítico, lo cual provoca daños específicos en estructuras metálicas. En este estudio se creó y analizó un modelo de inspección visual que utiliza inteligencia artificial y visión computacional para identificar automáticamente la corrosión galvánica en superficies metálicas, con la finalidad de contribuir a los procesos de mantenimiento predictivo en contextos industriales. La investigación se fundamentó en normas técnicas internacionales, en particular NACE SP21412-2016/SSPC-CPC 1, ASTM G82-98 e ISO 9223, que ofrecieron los parámetros técnicos necesarios para la detección y categorización de este tipo de corrosión. La metodología incluyó la creación de un conjunto de datos equilibrado formado por cinco categorías: corrosión galvánica, corrosión uniforme, picaduras, cavitación y superficies sin corrosión. El modelo se desarrolló mediante el uso de una red neuronal convolucional VGG16, la cual incluye un bloque de atención CBAM, y se aplicaron técnicas de aumento de datos para potenciar su habilidad de generalización. En un ambiente regulado, el modelo logró una exactitud del 92 % y un F1-score de 0,88 para la categoría de corrosión galvánica. Más tarde, en pruebas llevadas a cabo con imágenes reales tomadas en condiciones no controladas, se logró una precisión general del 67 %, notándose errores que se relacionan principalmente con la confusión en la categoría de cavitación. Estos hallazgos mostraron un rendimiento favorable en situaciones controladas y una reducción en la efectividad del modelo en contextos reales. En conclusión, se determinó que el modelo creado es técnicamente factible como un recurso para asistir en la inspección visual de la corrosión galvánica. Se identificaron oportunidades de mejora relacionadas con la expansión del conjunto de datos, el procesamiento previo de imágenes y la consideración de arquitecturas más eficaces para su uso en el campo.