Clasificador de latas sin barniz interno dentro del proceso de fabricación de envases de aluminio para bebidas

Vista sencilla de ítem
dc.contributor.advisorGonzalez Veloza, Jose John Fredy
dc.contributor.authorSoto Ríos, Juan Nicolas
dc.creator.emailjnsotor@libertadores.edu.cospa
dc.date.accessioned2021-08-30T21:29:51Z
dc.date.available2021-08-30T21:29:51Z
dc.date.created2021
dc.descriptionEste artículo propone el desarrollo de un clasificador de latas de aluminio sin barniz interno de una línea de producción, a partir del entrenamiento de un modelo pre entrenado denominado MobileNet V2, usando un conjunto de datos específico. Se recogieron 1766 imágenes de latas de una línea de producción, que incluían envases con barniz y sin barniz interno. Se etiquetaron las imágenes de latas con barniz interno con [OK] y aquellas que contenían latas sin barniz con [W]. Se realizó la partición aleatoria de los datos en dos grupos y a partir de un proceso de validación, se aseguró la proporcionalidad de imágenes con etiquetas [W] y [OK] para ambos grupos del DataSet. Posteriormente, se efectuó la preparación de los datos, convirtiendo las imágenes a tensores, donde se cambia el tamaño de las mismas al requerido por el modelo (224x224). A partir del entrenamiento del algoritmo, se consiguió una precisión general de 0,88 y una proporción de falsos negativos para la categoría de latas sin barniz [W] de 0,1. Por tanto, el modelo logra clasificar correctamente el 88% de las imágenes, identificando acertadamente las que tienen barniz y las que no lo tienen. De esta manera, a partir de la aplicación de una herramienta de clasificación de imágenes, impulsada por algoritmos de Deep Learning, se logra dar solución a problemas del área industrial. En este caso específico, la ausencia de barniz interno en latas de aluminio, disminuyendo fallas en el proceso y asegurando la calidad del producto final.spa
dc.description.abstractThis article proposes the development of an aluminum can classifier without internal varnish of a production line, from the training of an existing model called MobileNet V2, using a specific data set. 1766 images of cans were collected from a production line, which included containers with varnish and without internal varnish. Images of cans with internal varnish were labeled with [OK] and those containing cans without varnish with [W]. The data was randomly partitioned into two groups and from a validation process, the proportionality of images with labels [W] and [OK] was ensured for both groups of the DataSet. Subsequently, the data preparation was carried out, converting the images to tensors, where the size of the images is changed to that required by the model (224x224). From algorithm training, an overall precision of 0.88 and a false negative ratio for the unvarnished cans category [W] of 0.1 were achieved. Therefore, the model manages to correctly classify 88% of the images, correctly identifying those that have varnish and those that do not. In this way, from the application of an image classification tool, driven by Deep Learning algorithms, it is possible to solve problems in the industrial area. In this specific case, the absence of internal varnish in aluminum cans, reducing failures in the process and ensuring the quality of the final product.spa
dc.formatPDFspa
dc.identifier.urihttp://hdl.handle.net/11371/4231
dc.language.isospaspa
dc.publisherFundación Universitaria Los Libertadores. Sede Bogotá.spa
dc.rights.accesoAbierto (Texto Completo)spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.subject.lembEmpaques de hojalataspa
dc.subject.lembEmbotelladospa
dc.subject.lembIndustria de bebidasspa
dc.subject.lembFabricación industrialspa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalAprendizaje profundospa
dc.subject.proposalRedes neuronales convolucionalesspa
dc.subject.proposalReconocimiento de imágenesspa
dc.titleClasificador de latas sin barniz interno dentro del proceso de fabricación de envases de aluminio para bebidasspa
dc.typeinfo:eu-repo/semantics/bachelorThesisspa
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
Soto_Juan_2021.pdf
Tamaño:
2.02 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
Autorización_Soto_Juan_2021.pdf
Tamaño:
345.11 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
Especialización en Estadística Aplicada