Desarrollo de un modelo de inspección en superficies granalladas, mediante la inteligencia artificial

Abstract

Este trabajo presenta el desarrollo de un modelo de inteligencia artificial basado en redes neuronales convolucionales (CNNs) para la inspección y clasificación de superficies metálicas granalladas. El objetivo principal es automatizar el proceso de evaluación superficial, garantizando precisión y cumplimiento con normas internacionales como SSPC VIS 1, NACE e ISO 8501-1. El modelo clasifica superficies en cuatro grados de limpieza, desde grado A hasta el grado D, comparado con las diferentes limpiezas de superficies SA 1 (SP7) hasta SA 3 (SP5) en las superficies granalladas, respondiendo a las necesidades de la industria para mejorar la calidad y reducir los errores asociados con inspecciones manuales. El dataset utilizado fue construido con imágenes reales que representan las diferentes condiciones de las superficies metálicas, abarcando variaciones en iluminación, texturas y ángulos de captura. Estas imágenes se dividieron en conjuntos de entrenamiento, validación y prueba, permitiendo entrenar el modelo de manera robusta y evaluar su desempeño de forma confiable. La matriz de confusión obtenida durante las pruebas revela un desempeño sobre el 87% de precisión en las clasificaciones de las categorías evaluadas del modelo. El modelo demostró ser altamente eficiente en pruebas controladas, logrando clasificar correctamente todas las superficies en sus respectivas categorías. Sin embargo, el análisis también destacó la necesidad de mantener un dataset representativo y controles estrictos en la captura de imágenes para asegurar la generalización del modelo en escenarios más complejos y variables. Finalmente, este proyecto establece una base sólida para la implementación de inteligencia artificial en inspecciones industriales, mostrando cómo la automatización puede optimizar los procesos de evaluación superficial. Las aplicaciones futuras incluyen la ampliación del dataset y el desarrollo de modelos más robustos para abordar condiciones ambientales aún más exigentes, consolidando esta tecnología como una herramienta esencial en la industria.