Real-Time Conveyor Belt Defect Detection via Edge TPU-Accelerated YOLOv11 on Raspberry Pi 5
Este artículo presenta y valida un sistema de IA en el borde (edge AI) de extremo a extremo y de bajo consumo desplegado en una Raspberry Pi 5 con un Google Coral Edge TPU que utiliza un modelo YOLOv11n cuantizado para lograr la detección en tiempo real y con alta precisión de defectos en cintas transportadoras en entornos industriales hostiles, permitiendo un mantenimiento predictivo rentable sin depender de GPUs de alto consumo energético.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En las industrias pesadas que construyen nuestro mundo moderno, desde la extracción de vastas cantidades de mineral hasta la fabricación de cemento, las enormes bandas de caucho sirven como las arterias de la producción. Estos sistemas de transporte mueven miles de toneladas de materiales abrasivos día tras día, funcionando a menudo a través de cientos de metros en entornos polvorientos, vibrantes y hostiles. Con el tiempo, el estrés constante de las cargas pesadas, las rocas que caen y la fricción provoca que estas bandas desarrollen debilidades ocultas. Un pequeño desgarro o una perforación pueden convertirse rápidamente en una ruptura catastrófica, rompiendo la banda por completo. Cuando esto sucede, toda la línea de producción se detiene, lo que cuesta a la instalación miles de dólares en tiempo perdido y reparaciones costosas, además de crear situaciones peligrosas para los trabajadores cercanos. Durante décadas, la única forma de encontrar estos fallos era que inspectores humanos caminaran a lo largo de la maquinaria en movimiento, un método que es lento, arriesgado y propenso a pasar por alto daños pequeños pero críticos.
Para resolver esto, los investigadores han recurrido a la inteligencia artificial, enseñando a las computadoras a "ver" los defectos de la misma manera que lo haría un humano. Sin embargo, la mayoría de estos sistemas de visión inteligentes son demasiado pesados y consumen mucha energía para ejecutarse directamente en la planta de producción. Por lo general, requieren computadoras masivas y costosas o una conexión a la nube, lo cual es poco práctico para sitios industriales remotos con electricidad limitada y ancho de banda de red reducido. Un equipo de ingenieros en Indonesia ha cerrado esta brecha creando un sistema compacto y de bajo consumo que puede observar una banda transportadora en tiempo real y detectar daños instantáneamente. Construyeron un dispositivo que cabe dentro de una caja metálica estándar, utiliza una cámara diminuta para observar la banda y ejecuta un sofisticado programa de detección visual en un chip pequeño y especializado diseñado para la velocidad y la eficiencia.
Los investigadores se centraron en un tipo específico de modelo de inteligencia artificial conocido como YOLO, que significa "You Only Look Once" (Solo miras una vez). Este tipo de modelo es famoso por su capacidad para identificar objetos en una transmisión de video de forma casi instantánea. Si bien las versiones anteriores de esta tecnología funcionaban bien en potentes computadoras de escritorio, el equipo quería ver si la versión más nueva y eficiente podía ejecutarse en una pequeña computadora de placa única, similar a las utilizadas por aficionados, pero combinada con un acelerador especializado. Este acelerador, llamado Edge TPU, es una pequeña pieza de hardware diseñada específicamente para realizar los cálculos matemáticos requeridos para la inteligencia artificial utilizando muy poca energía. El equipo tomó la señal de una cámara de una planta de cemento real en Java Occidental, donde el aire es espeso por el polvo y la maquinaria vibra constantemente, y la introdujo en su sistema.
Para enseñar a la computadora qué buscar, el equipo recopiló una colección masiva de imágenes. No dependieron únicamente de fotos tomadas en un laboratorio limpio. En su lugar, combinaron imágenes tomadas directamente de la planta de cemento con imágenes de conjuntos de datos públicos y nuevas fotos capturadas por un sistema automatizado que registraba el movimiento de la banda a lo largo del tiempo. Esta mezcla aseguró que la computadora aprendiera a reconocer desgarros, agujeros y reparaciones con parches incluso cuando estaban cubiertos de polvo o iluminados por luces de fábrica intensas e irregulares. En total, utilizaron más de 3,000 imágenes para entrenar el modelo, marcando cuidadosamente cada defecto para que la computadora pudiera aprender la diferencia entre una banda dañada y una normal. Luego simplificaron el programa informático, convirtiéndolo en un formato que el pequeño chip acelerador pudiera entender y ejecutar sin necesidad de un procesador principal potente.
Cuando el sistema fue desplegado en la planta de cemento real, los resultados fueron inmediatos y estables. El dispositivo, alojado en una caja metálica sellada para protegerlo del polvo y la vibración, observó con éxito la banda transportadora e identificó los defectos a medida que pasaban. Procesó el video a una tasa de 30 a 40 fotogramas por segundo, lo cual es lo suficientemente rápido para seguir el ritmo de la velocidad de la banda en movimiento. Todo el proceso, desde que la cámara captura una imagen hasta que el sistema identifica una falla, tomó entre 70 y 90 milisegundos. Para poner esta velocidad en perspectiva, si la banda se mueve a una velocidad industrial típica, el sistema identifica un problema antes de que la sección dañada se haya desplazado más de unos pocos centímetros, dando a la planta el tiempo suficiente para reaccionar antes de que el daño se propague.
El sistema demostró ser notablemente confiable bajo condiciones difíciles. Durante largos periodos de prueba, la pequeña computadora y el chip acelerador se mantuvieron lo suficientemente frescos para operar de forma segura sin necesidad de ventiladores o aire acondicionado, manteniendo temperaturas constantes incluso en el entorno caluroso y polvoriento. El sistema no perdió ningún fotograma de video ni sufrió fallos, demostrando que podía funcionar continuamente sin intervención humana. Detectó con éxito cuatro tipos de daños: desgarros largos, pequeñas perforaciones, agujeros y reparaciones irregulares con parches. Fue ligeramente menos efectivo al detectar las perforaciones más diminutas cuando estaban parcialmente ocultas por el polvo, pero funcionó con alta precisión en los defectos más grandes y peligrosos que representan el mayor riesgo para la maquinaria.
Este trabajo demuestra que la inteligencia artificial avanzada no necesita estar encerrada en un centro de datos para ser útil. Al optimizar el software para que se ejecute en hardware pequeño y asequible, los investigadores han demostrado que las fábricas pueden monitorear su propio equipo en tiempo real, en cualquier parte del mundo, sin depender de una infraestructura costosa. El sistema actúa como un ojo incansable y que nunca parpadea, que nunca se cansa, nunca pierde un turno y puede detectar los signos tempranos de falla antes de que se conviertan en desastres. Este enfoque ofrece un camino práctico hacia operaciones industriales más seguras y eficientes, demostrando que el futuro del mantenimiento predictivo puede ser pequeño, rápido y construido directamente en la planta de producción.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.