Desarrollo de un UGV para la inspección visual de la raíz de soldadura en tuberías de acero al carbono

• Autores: Gutierrez Pari, Jhosep Juliano, Gutierrez Chuquizuta, Lorenzo Andree
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/688171
• Enlace del recurso: http://hdl.handle.net/10757/688171
• Nivel de acceso: acceso abierto
• Materia: Vehículo terrestre no tripulado; Inspección de tuberías; Visión artificial; YOLOv5; Lógica Difusa; Unmanned ground vehicle; Pipeline inspection; Computer vision; Fuzzy Logic; https://purl.org/pe-repo/ocde/ford#2.00.00; https://purl.org/pe-repo/ocde/ford#2.03.01

El presente trabajo de investigación tuvo como objetivo desarrollar un Vehículo Terrestre No Tripulado (UGV) equipado con visión artificial para la inspección visual interna de soldaduras en tuberías de acero al carbono de gran diámetro (DN 700 a DN 900). El sistema fue diseñado para superar las limitaciones de acceso en espacios confinados, proporcionar evidencia visual directa y evitar la omisión de defectos críticos en la evaluación de la integridad estructural. Su desarrollo comprendió tres etapas fundamentales: el diseño mecánico del chasis y manipulador robótico, el desarrollo de la arquitectura de software basada en inteligencia artificial, y la integración del hardware de control y potencia. La integridad estructural del prototipo fue validada mediante Análisis de Elementos Finitos (FEA), confirmando factores de seguridad superiores a 3.97 bajo carga operativa. El sistema de percepción visual integró una cámara de alta resolución controlada por un brazo robótico de 4 grados de libertad, cuyo posicionamiento preciso fue gestionado mediante un algoritmo de Lógica Difusa en un microcontrolador ATmega2560, logrando un movimiento libre de oscilaciones. Para la detección automática de fallas, se implementó y entrenó un modelo de red neuronal convolucional YOLOv5s sobre una computadora embebida NVIDIA Jetson Nano. Los resultados de la validación experimental demostraron un desempeño sobresaliente del modelo de visión, logrando una Exactitud (Accuracy) del 91.4% en la identificación de defectos de exceso y falta de penetración según los criterios del estándar 1104 del American Petroleum Institute, consolidando al sistema como una solución tecnológica viable y objetiva para complementar los ensayos no destructivos en el sector industrial.