Intelligent Robotic Vision Systems for Automated Surface Defect Inspection in Advanced Manufacturing

Resumen Técnico: Sistemas de Visión Robótica Inteligente para la Inspección Automatizada de Defectos Superficiales en la Manufactura Avanzada

Planteamiento del Problema
Los entornos de manufactura avanzada enfrentan desafíos significativos para mantener una calidad de producto constante debido a las limitaciones de la inspección visual manual tradicional. La inspección manual es susceptible a la fatiga humana, la inconsistencia y el juicio subjetivo, particularmente en ciclos de producción de alto volumen. Si bien se han desarrollado sistemas de visión automatizados, muchos enfoques existentes se centran primordialmente en la identificación de defectos sin integrar un flujo de trabajo unificado que incluya posicionamiento robótico, adquisición de imágenes controlada, localización de defectos, evaluación de severidad y toma de decisiones automatizada. Además, existe una brecha entre las evaluaciones de aprendizaje profundo basadas en referentes (benchmarks) y la validación de estos modelos dentro de una celda de inspección robótica física completa. Existe la necesidad de un marco integrado que combine la manipulación robótica con el análisis inteligente de defectos para proporcionar una vía estructurada desde la adquisición de imágenes hasta la toma de decisiones de calidad.

Metodología
El estudio propone un Marco de Inspección Robótica Inteligente diseñado para automatizar la inspección de calidad en la manufactura avanzada. La arquitectura del marco consta de ocho etapas secuenciales:

1. Posicionamiento Robótico: Uso de un robot industrial (conceptualmente un Universal Robots UR10e) para posicionar componentes o sensores para ángulos de visión repetibles.
2. Adquisición de Imágenes: Captura de datos visuales bajo iluminación controlada.
3. Preprocesamiento de Imágenes: Estandarización de imágenes para el análisis automatizado.
4. Detección y Clasificación de Defectos: Utilización de un modelo de aprendizaje profundo para identificar y categorizar defectos.
5. Localización de Defectos: Determinación de la posición espacial de los defectos mediante cajas delimitadoras (bounding boxes).
6. Evaluación de Severidad de Defectos: Una etapa posterior propuesta para evaluar la significancia del defecto (Menor, Moderada, Crítica) basada en criterios de ingeniería.
7. Toma de Decisiones de Inspección: Categorización de componentes como Aprobado, Reproceso o Rechazado.
8. Reporte de Calidad: Registro de los resultados de la inspección para trazabilidad.

Para validar experimentalmente el núcleo de inteligencia de este marco, los autores se centraron en la etapa de Detección y Clasificación de Defectos. Implementaron el modelo de detección de objetos YOLOv8n (nano), seleccionado por su equilibrio entre precisión y eficiencia computacional. El modelo fue entrenado y evaluado utilizando el conjunto de datos de referencia NEU-DET, que contiene imágenes de seis categorías de defectos superficiales metálicos: grietas (crazing), inclusiones (inclusion), parches (patches), superficie picada (pitted surface), escama integrada (rolled-in scale) y rayas (scratches).

La configuración experimental involucró:

• Conjunto de Datos: Un conjunto de prueba independiente de 180 imágenes que contienen 412 instancias de defectos anotadas.
• Entrenamiento: Aprendizaje supervisado durante 100 épocas utilizando el marco de trabajo Ultralytics YOLO.
• Métricas de Evaluación: Precisión (Precision), Exhaustividad (Recall), puntuación F1 (F1-score), Precisión Media Promedio en IoU 0.50 (mAP@50), Precisión Media Promedio en IoU 0.50–0.95 (mAP@50–95) y tiempo de procesamiento computacional (preprocesamiento, inferencia, postprocesamiento).
• Hardware: La evaluación se realizó en una GPU NVIDIA Tesla T4.

Contribuciones Clave
El artículo presenta las siguientes contribuciones específicas:

1. Marco Integrado: Un marco unificado propuesto que combina manipulación robótica, visión artificial, procesamiento de imágenes y análisis inteligente de defectos en un único flujo de trabajo de inspección.
2. Implementación de YOLOv8n: El despliegue de un componente basado en YOLOv8n para la detección y clasificación automatizada de seis defectos superficiales metálicos distintos.
3. Validación Experimental: Evaluación cuantitativa del componente de detección de defectos utilizando un conjunto de prueba independiente, proporcionando métricas específicas para precisión, exhaustividad, mAP y latencia de inferencia.
4. Análisis a Nivel de Clase: Un desglose detallado del rendimiento de detección a través de diferentes morfologías de defectos, identificando fortalezas y debilidades específicas del modelo.
5. Caracterización Computacional: Medición del tiempo de procesamiento del flujo de trabajo de visión por computadora, estableciendo la latencia de la etapa de detección.
6. Recomendaciones de Ingeniería: Directrices para la implementación práctica de tales sistemas, cubriendo la colocación de la cámara, calibración robótica, diseño de iluminación, mantenimiento del modelo y estrategias de despliegue.

Resultos
La evaluación experimental del modelo YOLOv8n en el conjunto de prueba NEU-DET arrojó los siguientes resultados:

• Desempeño General:
  • Precisión (Precision): 71.8%
  • Exhaustividad (Recall): 73.1%
  • Puntuación F1 (F1-score): 72.4%
  • mAP@50: 76.3%
  • mAP@50–95: 42.9%
• Desempeño a Nivel de Clase:
  • Rayas (Scratches): Alcanzó la mayor exhaustividad (98.2%) y mAP@50 (97.3%).
  • Parches (Patches): Alcanzó la mayor precisión (84.2%) y un sólido mAP@50 (92.5%).
  • Grietas (Crazing): Representó la categoría más desafiante, con la menor precisión (52.9%), exhaustividad (42.0%) y mAP@50 (45.1%).
• Eficiencia Computacional:
  • Tiempo de inferencia: 4.3 ms/imagen.
  • Tiempo total de procesamiento computacional (preprocesamiento + inferencia + postprocesamiento): 9.3 ms/imagen.

Significancia y Reivindicaciones
El artículo afirma que el estudio proporciona evidencia experimental que respalda la viabilidad del uso de la detección de defectos basada en aprendizaje profundo (específicamente YOLOv8n) como un componente central dentro de un marco de inspección robótica inteligente. Los resultados demuestran que el modelo puede identificar y localizar eficazmente múltiples tipos de defectos con baja latencia computacional, lo que lo hace adecuado para aplicaciones en tiempo real o casi en tiempo real.

Sin embargo, los autores mantienen un alcance modesto y riguroso respecto a sus afirmaciones:

• Alcance de la Validación: El estudio valida explícitamente solo el componente de detección de visión por computadora. No pretende haber validado experimentalmente la celda robótica física completa, incluyendo la repetibilidad robótica, la evaluación de severidad, las comparaciones con la inspección manual o el tiempo total del ciclo de inspección.
• Limitaciones: Los autores reconocen que la evaluación se realizó sobre un conjunto de datos de referencia público (NEU-DET) en lugar de imágenes adquiridas directamente de su celda robótica física propuesta. En consecuencia, los resultados no consideran las variaciones del mundo real en iluminación, posicionamiento de componentes o movimiento robótico.
• Trabajo Futuro: El artículo identifica que se requiere una validación adicional antes del despliegue industrial, incluyendo la adquisición de datos específicos de la aplicación, la prueba de la lógica de evaluación de severidad, la evaluación de la repetibilidad del sistema y la comparación con arquitecturas de detección alternativas (por ejemplo, Faster R-CNN) y la inspección manual.

En conclusión, el estudio establece una base técnicamente fundamentada para la integración del aprendizaje profundo en los flujos de trabajo de inspección robótica, pero distingue claramente entre el desempeño demostrado experimentalmente del modelo de detección y las capacidades a nivel de sistema que requieren una mayor validación física.