Revisión de la Literatura sobre el Uso del Aprendizaje Profundo Enfocado en Sistemas de Inspección Ópticos Automatizados para la Detección de Defectos Superficiales en el Sector de la Manufactura

Joe Frand Llerena Izquierdo; Jonathan Manuel Sanchez Romero

doi:10.18779/ingenio.v6i2.680

Revisión de la Literatura sobre el Uso del Aprendizaje Profundo Enfocado en Sistemas de Inspección Ópticos Automatizados para la Detección de Defectos Superficiales en el Sector de la Manufactura

Translated title of the contribution: Literature Review on the Use of Deep Learning Focused on Automated Optical Inspection Systems for the Detection of Surface Defects in the Manufacturing Sector

Joe Frand Llerena Izquierdo
, Jonathan Manuel Sanchez Romero

Research Group in Teaching-Learning of Sciences for Engineering (GIEACI)

Research output: Contribution to journal › Article

Abstract

The manufacturing sector uses supervised machine learning methodologies to improve inspection processes through machine vision. Automated optical inspection offers efficiency in the inspection process for the detection of defects in the manufacture of various products. This work contributes with the identification of those limitations in data processing based on the defined set of rules and the management of the process domain. A literature review is proposed on the use of deep learning focused on automated optical inspection systems for surface defect detection in the manufacturing sector. The proposed objective is to identify the different architectures oriented on convolutional neural networks applied in optical inspection systems in order to automate the extraction of features or patterns.

Translated title of the contribution	Literature Review on the Use of Deep Learning Focused on Automated Optical Inspection Systems for the Detection of Surface Defects in the Manufacturing Sector
Original language	Spanish (Ecuador)
Pages (from-to)	1-19
Number of pages	19
Journal	InGenio Journal
Volume	6
Issue number	6
DOIs	https://doi.org/10.18779/ingenio.v6i2.680
State	Published - 4 Jul 2023

Keywords

Automated Optical Inspection
Convolutional Neural Networks
Deep Learning
Generalization
Imbalance
Manufacturing
Optimizing Algorithms

CACES Knowledge Areas

116A Computer Science

Access to Document

10.18779/ingenio.v6i2.680

Cite this

@article{20899f264fe74275b8ed73c0d8aff9ad,

title = "Revisi{\'o}n de la Literatura sobre el Uso del Aprendizaje Profundo Enfocado en Sistemas de Inspecci{\'o}n {\'O}pticos Automatizados para la Detecci{\'o}n de Defectos Superficiales en el Sector de la Manufactura",

abstract = "El sector de la manufactura utiliza metodolog{\'i}as de aprendizaje autom{\'a}tico supervisado que permiten mejorar procesos de inspecci{\'o}n mediante la visi{\'o}n artificial. La inspecci{\'o}n {\'o}ptica automatizada ofrece eficiencia en el proceso de inspecci{\'o}n para la detecci{\'o}n de defectos en la fabricaci{\'o}n de diversos productos. Este trabajo aporta con la identificaci{\'o}n de aquellas limitaciones en el procesamiento de datos basados en el conjunto de reglas definidas y la gesti{\'o}n del dominio del proceso. Se propone una revisi{\'o}n de literatura sobre el uso del aprendizaje profundo enfocado a los sistemas de inspecci{\'o}n {\'o}pticos automatizados para la detecci{\'o}n de defectos superficiales en el sector de la manufactura. El objetivo propuesto es de identificar las diferentes arquitecturas orientadas en redes neuronales convolucionales aplicadas en sistemas de inspecci{\'o}n {\'o}ptico con el fin de automatizar la extracci{\'o}n de caracter{\'i}sticas o patrones.",

keywords = "Automated Optical Inspection, Convolutional Neural Networks, Deep Learning, Generalization, Imbalance, Manufacturing, Optimizing Algorithms, Automated Optical Inspection, Convolutional Neural Networks, Deep Learning, Generalization, Imbalance, Manufacturing, Optimizing Algorithms",

author = "\{Llerena Izquierdo\}, \{Joe Frand\} and \{Sanchez Romero\}, \{Jonathan Manuel\}",

year = "2023",

month = jul,

day = "4",

doi = "10.18779/ingenio.v6i2.680",

language = "Espa{\~n}ol (Ecuador)",

volume = "6",

pages = "1--19",

journal = "InGenio Journal",

issn = "2697-3642",

number = "6",

}

Revisión de la Literatura sobre el Uso del Aprendizaje Profundo Enfocado en Sistemas de Inspección Ópticos Automatizados para la Detección de Defectos Superficiales en el Sector de la Manufactura. / Llerena Izquierdo, Joe Frand; Sanchez Romero, Jonathan Manuel.
In: InGenio Journal, Vol. 6, No. 6, 04.07.2023, p. 1-19.

Research output: Contribution to journal › Article

TY - JOUR

T1 - Revisión de la Literatura sobre el Uso del Aprendizaje Profundo Enfocado en Sistemas de Inspección Ópticos Automatizados para la Detección de Defectos Superficiales en el Sector de la Manufactura

AU - Llerena Izquierdo, Joe Frand

AU - Sanchez Romero, Jonathan Manuel

PY - 2023/7/4

Y1 - 2023/7/4

N2 - El sector de la manufactura utiliza metodologías de aprendizaje automático supervisado que permiten mejorar procesos de inspección mediante la visión artificial. La inspección óptica automatizada ofrece eficiencia en el proceso de inspección para la detección de defectos en la fabricación de diversos productos. Este trabajo aporta con la identificación de aquellas limitaciones en el procesamiento de datos basados en el conjunto de reglas definidas y la gestión del dominio del proceso. Se propone una revisión de literatura sobre el uso del aprendizaje profundo enfocado a los sistemas de inspección ópticos automatizados para la detección de defectos superficiales en el sector de la manufactura. El objetivo propuesto es de identificar las diferentes arquitecturas orientadas en redes neuronales convolucionales aplicadas en sistemas de inspección óptico con el fin de automatizar la extracción de características o patrones.

AB - El sector de la manufactura utiliza metodologías de aprendizaje automático supervisado que permiten mejorar procesos de inspección mediante la visión artificial. La inspección óptica automatizada ofrece eficiencia en el proceso de inspección para la detección de defectos en la fabricación de diversos productos. Este trabajo aporta con la identificación de aquellas limitaciones en el procesamiento de datos basados en el conjunto de reglas definidas y la gestión del dominio del proceso. Se propone una revisión de literatura sobre el uso del aprendizaje profundo enfocado a los sistemas de inspección ópticos automatizados para la detección de defectos superficiales en el sector de la manufactura. El objetivo propuesto es de identificar las diferentes arquitecturas orientadas en redes neuronales convolucionales aplicadas en sistemas de inspección óptico con el fin de automatizar la extracción de características o patrones.

KW - Automated Optical Inspection

KW - Convolutional Neural Networks

KW - Deep Learning

KW - Generalization

KW - Imbalance

KW - Manufacturing

KW - Optimizing Algorithms

KW - Automated Optical Inspection

KW - Convolutional Neural Networks

KW - Deep Learning

KW - Generalization

KW - Imbalance

KW - Manufacturing

KW - Optimizing Algorithms

UR - https://revistas.uteq.edu.ec/index.php/ingenio/article/view/680

U2 - 10.18779/ingenio.v6i2.680

DO - 10.18779/ingenio.v6i2.680

M3 - Artículo

SN - 2697-3642

VL - 6

SP - 1

EP - 19

JO - InGenio Journal

JF - InGenio Journal

IS - 6

ER -

Revisión de la Literatura sobre el Uso del Aprendizaje Profundo Enfocado en Sistemas de Inspección Ópticos Automatizados para la Detección de Defectos Superficiales en el Sector de la Manufactura

Abstract

Keywords

CACES Knowledge Areas

Access to Document

Other files and links

Design of a Research Training Methodology for Engineering Students (FINVE+I)

Cite this

Revisión de la Literatura sobre el Uso del Aprendizaje Profundo Enfocado en Sistemas de Inspección Ópticos Automatizados para la Detección de Defectos Superficiales en el Sector de la Manufactura

Abstract

Keywords

CACES Knowledge Areas

Access to Document

Other files and links

Projects

Design of a Research Training Methodology for Engineering Students (FINVE+I)

Cite this