Uso de modelos de aprendizaje profundo para detectar defectos de soldadura en piezas metálicas
Loading...
Date
2025
Authors
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Share
Abstract
La inspección automatizada de defectos en soldaduras es un factor crítico para asegurar la calidad y seguridad en la industria. Este estudio propone el uso de modelos de aprendizaje profundo YOLO (You Only Look Once), entrenados mediante transferencia de aprendizaje, para la detección de defectos en soldaduras a partir de imágenes fotográficas. Empleando un conjunto de datos público, clasificado inicialmente en "soldadura mala", "soldadura buena" y "defecto", se realizaron tres fases experimentales. En la fase inicial, se compararon YOLOv8m y YOLO11m, revelando un buen desempeño para soldaduras aceptables, pero una precisión limitada (≈48%) en la identificación específica de defectos además de presentarse confusión con el fondo (defecto no identificado). La segunda fase se centró en la optimización de hiperparámetros de YOLO11m, logrando mejoras moderadas, pero persistiendo la baja precisión (≈49%) identificando la clase defecto. Para abordar esta limitación, la tercera fase fusionó las categorías "defecto" y "soldadura mala" en una única clase denominada "soldadura no conforme". Esta estrategia simplificó la clasificación y mejoró significativamente el rendimiento global del modelo, alcanzando una precisión de aproximadamente 75% en la detección de soldaduras no conformes. Los resultados demuestran el potencial de esta metodología para optimizar los procesos de control de calidad en la industria, reduciendo la dependencia de inspecciones manuales y mejorando la eficiencia.
item.page.abstract.eng
Automated inspection of welding defects is a critical factor in ensuring quality and safety in the industry. This study proposes the use of deep learning models YOLO (You Only Look Once), trained through transfer learning, for detecting welding defects from photographic images. Using a public dataset initially classified into "bad weld," "good weld," and "defect," three experimental phases were conducted. In the initial phase, YOLOv8m and YOLO11m were compared, revealing good performance for acceptable welds but limited accuracy (≈48%) in specifically identifying defects, along with confusion with the background (unidentified defect). The second phase focused on hyperparameter optimization of YOLO11m, achieving moderate improvements, but low accuracy (≈49%) in identifying the defect class persisted. To address this limitation, the third phase merged the "defect" and "bad weld" categories into a single class called "non-compliant weld." This strategy simplified classification and significantly improved the overall model performance, reaching an accuracy of approximately 75% in detecting non-compliant welds. The results demonstrate the potential of this methodology to optimize quality control processes in the industry, reducing reliance on manual inspections and improving efficiency.