Sistema mecatrónico para contabilización de los elementos de una cadena de transmisión en una línea de producción con deepSORT

• Autor: Delgado Díaz, José Iván
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad de Ingeniería y tecnología
• Repositorio: UTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utec.edu.pe:20.500.12815/527
• Enlace del recurso: https://hdl.handle.net/20.500.12815/527
• Nivel de acceso: acceso abierto
• Materia: Métodos de línea de ensamblaje; Procesamiento de imágenes; Transmisión por cadena; Control de inventarios; Aprendizaje automático; Assembly line methods; Image processing; Chain drive; Inventory control; Machine learning; https://purl.org/pe-repo/ocde/ford#2.00.00

La problemática de control de producción utiliza sensores en aplicaciones de fajas transportadoras, pero con la llegada de la industria 4.0 el uso de visión por computadora se ha vuelto una opción atractiva para el control de la producción. Lo cual queda evidenciado en [1] donde se hace uso de visión por computadora para hacer un control de la producción en una línea automotriz. Asimismo, en el caso de elementos con una geometría más simple, se pueden emplear técnicas de procesamiento de imágenes para realizar el control de la producción [2]. Por lo tanto, en la presente investigación para enfrentar la problemática del control de la producción en las cadenas de transmisión, se plantea un algoritmo capaz de hacer seguimiento y contabilización de elementos fabricados. Para lograrlo se empieza con la creación de la base de datos con fotografías de las piezas que componen una cadena de transmisión de potencia en las normas ASA (American Estandar Association) y BS (British Standards), para justificar la elección del método se realizará una comparativa de las distintas alternativas de visión artificial (procesamiento de imágenes, machine learning y Deep learning). Finalmente, se implementa el algoritmo DeepSORT en la placa Raspberry PI 3, destacando que la red neuronal SSD MobileNet V2 alcanzo una velocidad de 9.88 FPS, la red neuronal para clasificación logró tener una reducción de memoria menor al 2 % de su tamaño original, el algoritmo DeepSORT se alcanzó un valor de MOT de 1 para 3 objetos al mismo tiempo.