Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/5584| Title: | Sistema para identificación de fallas para conector principal de producto terminado con ayuda de machine learning. |
| Authors: | Montes Ramirez, Miguel Antonio |
| metadata.dc.subject.other: | Machine learning, visión artificial, automatización. |
| Issue Date: | 2022-06-29 |
| Publisher: | Tecnológico Nacional de México |
| metadata.dc.publisher.tecnm: | Instituto Tecnológico de Nogales |
| Description: | Este trabajo plantea el desarrollo de un sistema de visión artificial utilizando machine learning por medio de un modelo de clasificación de imágenes como solución al problema de fallas ocasionadas por pines opacos en el main connector en el radio de cierto automóvil, así como en el conteo de sus 40 pines de la parte B del main connector que se realiza mediante un script o secuencia de inspección que consiste en el procesamiento de imágenes. El sistema es usado para la inspección visual y clasificación del conector principal. Esto permitirá clasificar los conectores con suficiente brillo en los pines, o si existe opacidad en ellos, lo que conlleva tener un mejor manejo de material al contar con una contención para las unidades que presenten deficiencia en el brillo de los pines. El modelo de clasificación de imágenes se basa en el uso de Machine Learning (ML.Net) de Visual Studio en la interfaz de Model Builder, logrando una exactitud del 96%, utilizando el software LabWindows/CVI. La adquisición de las imágenes se hace mediante una cámara la cual es robusta y capaz de trabajar en ambientes industriales de 24hr/7dias. El procesamiento de las imágenes del conector principal se desarrolla en el software de Vision Assistant de National Instruments, donde se realiza un análisis de partículas, que nos permite el conteo de los 40 pines de la parte B del main connector. De acuerdo con la hipótesis propuesta de reducir las fallas de un 40.6% a un 10%, con las pruebas realizadas se logra una reducción del 18% de las fallas. |
| metadata.dc.type: | info:eu-repo/semantics/masterThesis |
| Appears in Collections: | Tesis de la Maestría en Sistemas Computacionales |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Autorizar Derechos - Miguel Montes (Firmado).pdf | Carta de cesión de derechos | 392.08 kB | Adobe PDF | View/Open |
| Tesis_Miguel_A_Montes_Ramírez-combined.pdf | Tesis Sistema para identificación de fallas para conector principal de producto terminado con ayuda de machine learning. | 6.85 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
