Comparación entre Deep Learning y Computer Vision en la Detección de Defectos para el Control de Calidad
DOI:
https://doi.org/10.64784/Palabras clave:
Control de Calidad, Automatización, Inteligencia Artificial, Industria, Industrias Manufactureras, procesos industriales, Programas de computadora, procesamiento electrónico de datosResumen
El presente estudio aborda un análisis comparativo entre dos tecnologías clave en el ámbito del control de calidad industrial: el Deep Learning y la Visión por Computadora (Computer Vision). El objetivo principal es evaluar su desempeño en la detección y clasificación de defectos, identificando las ventajas, limitaciones y condiciones óptimas de aplicación de cada una. La investigación se desarrolló bajo un enfoque mixto, que combina el análisis cuantitativo de métricas de desempeño con una revisión sistemática de literatura científica, permitiendo una comprensión integral de la aplicabilidad de ambas tecnologías en entornos industriales.
La metodología se estructuró en ocho fases basadas en el modelo PRISMA para la selección de estudios y en la herramienta Conceptual Synthesis Excel Dump (CSED) para la organización y síntesis conceptual de la información. Esto permitió identificar los métodos más relevantes, los criterios de evaluación y las tendencias actuales en la automatización del control de calidad. Los resultados evidencian que el Deep Learning ofrece una mayor precisión, escalabilidad y capacidad de adaptación en entornos de alta variabilidad, mientras que la Visión por Computadora tradicional presenta ventajas en términos de accesibilidad, costo y facilidad de implementación, lo que la hace más adecuada para pequeñas y medianas empresas (PyMEs).
Finalmente, se concluye que la integración de ambos enfoques en sistemas híbridos permite aprovechar las fortalezas de cada tecnología, generando soluciones más robustas, sostenibles y accesibles para la industria. Este estudio contribuye a la comprensión del papel de la inteligencia artificial en la mejora continua de los procesos industriales y en el fortalecimiento de la competitividad en el contexto de la Industria 4.0.
Referencias
Aparicio Pico, L. E., Amaya Marroquín, O. J., & Andrea, D. P. (2023). Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial. Redalyc, 20.
Aparicio Pico, L. E., Devia Lozano, P., & Amaya Marroquin, O. J. (2022). Aplicación de Deep Learning para la identificación de defectos superficiales utilizados en control de calidad de manufactura y producción industrial: Una revisión. ingeniería, 18-34.
Arias, P. D. (2021). Revisión de algoritmos de machine learning y deep learning apropiados para la implementación de visión artificial y movimientos autónomos en un brazo robótico. Universidad Nacional Abierta y a Distancia UNAD, 72.
Bagur-Pons, S., & Rosselló-Ramon, M. R. (2021). El enfoque integrador de la metodología mixta en la investigación educativa. Redalyc, 22.
Besterfield, D. H. (2009). control de calidad. México: Pearson Educación de México, S.A. de C.V.
Botao Zhong a, H. W. (2019). Mapeo de la investigación sobre visión artificial en la construcción: avances, lagunas de conocimiento e implicaciones para la investigación. Automatización en la construcción.
Cabeza, H. R. (2024). La visión artificial transforma la industria con una precisión y eficiencia sin precedentes. Automática e Instrumentación, 52-56.
Chai a b, J., Zeng a, H., & Eric WT Ngai, A. L. (15 de diciembre de 2011). Sciencedirect.com. Obtenido de https://www.sciencedirect.com: https://doi.org/10.1016/j.mlwa.2021.100134
Diego renza torres, D. m. (2023). Fundamentos de vision por computador. colombia: editorial Redipe.
Dobson, J. E. (2023). El nacimiento de la visión artificial. EE.UU: Univ Of Minnesota Press.
Etecé, E. (25 de septiembre de 2024). Concepto. Obtenido de Concepto: https://concepto.de/analisis-3/
Gong, X., Bai, Y., Liu, Y., & Mu, H. (2020). Application of deep learning in defect Detection. Journal of Physics: Conference Series, 12-30.
González, R. H. (2020). Visión por computadora para la detección de anomalías en una placa arduino. Universidad de las ciencias informáticas, 67.
Gutiérrez Pulido, H. (2009). Los Retos Actuales de la Mejora de la Calidad y la Productividad en las Organizaciones. Redalyc, 112-113.
Javier Villalba-Diez, D. S.-M. (2019). Deep Learning for Industrial Computer Vision Quality Control in the Printing Industry 4.0. sensors, 23.
Jing Yang, S. L. (2020). Using Deep Learning to Detect Defects in manufacturing. materials, 23.
Keller-Ressel, P. M. (2023). Hyperbolic Deep Learning in Computer Vision: A Survey. International Journal of Computer Vision manuscript.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Aprendizaje profundo. Nature 521, 436–444.
Lorenzo, J. M. (2020). Aplicación de técnicas de aprendizaje profundo (deep. UNIVERSIDAD DE VALLADOLID.
Luis Arturo Medina Muñoz, S. G.-L. (2019). Diseño de interfaces de inspección de calidad utilizando redes neuronales y visión artificial para la industria de manufactura. Research in Computing Science, 121-131.
Mohd Halim Mohd Noora, ∗. (2019). A Survey of Deep Learning-based Object Detection. Engineering Applications of Artificial Intelligence.
Mohd Halim Mohd Noora, ∗. (2019). A Survey on State-of-the-art Deep Learning Applications and Challenges. arXiv.
Moreno, E. G. (1999). Automatización de procesos industriales. Editorial universidad politécnica de Valencia, 43.
moreno, e. g. (2020). Automatización de procesos industriales. españa: Editorial Universitat Politécnica de València.
Nieto, E. C. (2006). Manufactura y automatización. Universidad Nacional de Colombia, 120-128.
Pacheco-Vega, R. (17 de junio de 2016). academia, investigación. Obtenido de academia, investigación: https://www-raulpacheco-org.translate.goog/2016/06/synthesizing-different-bodies-of-work-in-your-literature-review-the-conceptual-synthesis-excel-dump-technique/?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc
Page, M. J., & McKenzie, J. E. (2021). Declaración PRISMA 2020: una guía actualizada para la publicación de revisiones sistemáticas. Sciencedirect, 192.
Pereira Pérez, Z. (2011). Los diseños de método mixto en la investigación en educación: Una experiencia concreta. Redalyc, 16.
Pérez Borrero, I. |. (2021). Deep learning: fundamentos, teoría y aplicación. Servicio de Publicaciones universidad de Huelva.
PULIDO, H. G. (2014). CONTROL DE CALIDAD. En H. G. PULIDO, CALIDAD Y PRODUCTIVIDAD (págs. 30-382). C.P. 01376, México, D.F.: McGRAW-HILL/INTERAMERICANA EDITORES, S.A. DE C.V.
Qianru Zhang, M. Z. (2021). Deep Learning Based Defect Detection for Solder Joints on Industrial X-Ray Circuit Board Images. arXiv, 1-6.
Romero, M. M. (2022). Reconocimiento de objetos mediante técnicas de visión por computador y aprendizaje automático. España: Escuela Técnica Superior de Ingeniería, Universidad de Sevilla.
Ryan A. León León, E. E. (2023). Desarrollo de un Software con Visión Artificial para Detectar el Defecto Físico del Grano de Café Verde. Universidad Privada del Norte (Perú), 474.
Sanchez-Romero Jonathan, L. J. (2023). Revisión de la literatura sobre el uso del aprendizaje profundo. InGenio Journal, 19.
Sanchez-Romero, J., & Llerena, J. (2023). Revisión de la literatura sobre el uso del aprendizaje profundo enfocado en sistemas de inspección ópticos. InGenio Journal, 19.
Serrano, J. F. (2020). Deep Learning For Computer Vision Tasks: A. Addison Wesley.
Teigens, V., & Skalfist, P: (2020). Inteligencia Artificial: la cuarta revolución industrial. Cambridge Stanford Books.
Villalba-Diez, J., Schmidt, D., & Gevers. (2019). Deep Learning for Industrial Computer Vision Quality Control in the Printing Industry 4.0. Sensors, 2-23.
Yang, J., Li, S., Wang, Z., Dong, H., Wang, J., & Tang, S. (2020). Using Deep Learning to Detect Defects in Manufacturing: A Comprehensive Survey and Current Challenges. Materials, 57-23.
