Using the YOLOv12 Model for Verifying the Correct Color Sequence of Wires in Network Cables (Patch Cords) on the Production Line

Resumen Técnico: Uso del modelo YOLOv12 para la verificación de la secuencia de colores correcta de los cables en cables de red

Planteamiento del problema
En la producción industrial de cables de red (latiguillos), la disposición correcta de los ocho hilos de cable dentro del conector RJ45 es crítica para el rendimiento de la red. Estándares como T568A y T568B definen secuencias de colores precisas; cualquier desviación resulta en productos defectuosos y no funcionales. El control de calidad tradicional depende de la inspección visual manual mediante microscopios digitales. Los autores identifican este método como lento, tedioso y propenso al error humano debido a la fatiga del operador, las condiciones variables de iluminación y las limitaciones en la agudeza visual. Estas limitaciones hacen necesario una solución automatizada que pueda operar en tiempo real en líneas de producción de alto volumen para garantizar una calidad uniforme y reducir el desperdicio.

Metodología
El estudio propone un sistema de inspección inteligente y automatizado basado en la duodécima versión del modelo de detección de objetos YOLO, específicamente YOLOv12. La metodología abarca los siguientes componentes:

• Conjunto de datos (Dataset): Se capturó un conjunto de datos dedicado de 2,500 imágenes de alta resolución (aprox. 1200×1600 píxeles) utilizando un microscopio digital industrial desde la vista frontal de los conectores RJ45. El conjunto de datos incluye ocho clases de colores distintas correspondientes al estándar T568B (blanco-naranja, naranja, blanco-verde, azul, blanco-azul, verde, blanco-marrón y marrón).
• Preparación de datos: Las imágenes fueron anotadas manualmente con cuadros delimitadores (bounding boxes) para cada cable. Los datos se dividieron en 70% para entrenamiento, 15% para validación y 15% para pruebas. Para mejorar la capacidad de generalización y prevenir el sobreajuste (overfitting), se aplicaron técnicas de aumentación de datos, incluyendo rotación, recorte, zoom, volteo horizontal y ajustes de brillo y contraste.
• Arquitectura del modelo: El sistema utiliza YOLOv12, un detector de etapa única mejorado con mecanismos de atención. Las características arquitectónicas clave empleadas incluyen:
  • Atención basada en regiones en el backbone para enfocarse en las áreas relevantes de la imagen.
  • Estructuras Residual-ELAN para la agregación de características con el fin de preservar la información en la profundidad de la red.
  • Predicción multiescala para detectar cables delgados en tres niveles de salida diferentes.
  • Cajas de anclaje (Anchor boxes): Nueve cajas de anclaje fueron optimizadas mediante agrupamiento k-means basado en las dimensiones reales de los cables.
• Configuración del entrenamiento: El modelo fue entrenado utilizando el framework PyTorch en una GPU NVIDIA Tesla T4. La función de pérdida es una combinación ponderada de pérdidas de localización (CIoU), de objetividad (objectness) y de clasificación (ponderadas en 0.5, 0.4 y 0.1, respectivamente). El entrenamiento utilizó un tamaño de lote (batch size) de 16 durante 50 épocas con mecanismos de parada temprana (early stopping).
• Lógica de decisión: Tras la detección, un algoritmo de ordenamiento organiza los cables detectados basándose en sus coordenadas horizontales (eje x). Esta secuencia predicha se compara luego contra el patrón estándar T568B para determinar si el cable pasa o falla.

Resultados Clave
El sistema fue evaluado en un conjunto de prueba completamente independiente de 375 imágenes bajo diversas condiciones (iluminación, ruido, fondo). Las métricas de rendimiento son las siguientes:

• Precisión (Precision): 99.1%
• Exhaustividad (Recall): 98.0%
• Precisión media promedio (mAP@IoU 0.5:0.95): 94.6%
• Exactitud de verificación de secuencia: 98.13% (368 de 375 cables clasificados correctamente como pasa/falla).
• Análisis de errores: El modelo exhibió una alta precisión para los cables de color sólido. Los pocos errores (menos del 2%) ocurrieron principalmente con cables que presentan aislamiento blanco y rayas de colores estrechas (por ejemplo, blanco-naranja, blanco-marrón) debido a la similitud de color y el bajo contraste. Notablemente, el sistema produjo cero errores de "falso positivo de aceptación" (cables defectuosos marcados como buenos), siendo todos los 7 errores "falsos rechazos" (cables buenos marcados como defectuosos).
• Velocidad: El sistema procesa imágenes a aproximadamente 160 fotogramas por segundo (5–6 ms por imagen) en una GPU, y aproximadamente 8–9 fps en una CPU, superando significativamente los requisitos de velocidad de las líneas de producción industrial.

Significancia y Reivindicaciones
El artículo sostiene que el sistema propuesto basado en YOLOv12 ofrece una alternativa superior tanto a la inspección manual tradicional como a métodos automatizados anteriores (como el enfoque de Tsai & Cheng de 2022, que estaba limitado por la dependencia de la iluminación y velocidades de procesamiento lentas).

Los autores afirman que el sistema aborda con éxito el equilibrio entre velocidad y precisión, entregando un rendimiento en tiempo real adecuado para entornos de la Industria 4.0. Al automatizar el proceso de verificación, el sistema elimina el error humano, reduce los cuellos de botella en la producción y garantiza un control de calidad del 100%. El estudio concluye que este enfoque no solo es efectivo para cables de red, sino que también es extensible a otras tareas de inspección de múltiples hilos, como mazos de cables automotrices y conexiones de placas electrónicas, representando un paso significativo hacia las fábricas inteligentes totalmente automatizadas.