Investigación, desarrollo y evaluación de un modelo de visión artificial para la detección de contaminantes en piezas plásticas

Abstract

[ES] Este proyecto consiste en el desarrollo de un modelo de red neuronal capaz de distinguir satisfactoriamente el material superficial de una serie de piezas plásticas procedentes del troquelado de componentes automovilísticos. Este trabajo parte, por tanto, de un problema real en la industria de la automoción y surge de la colaboración con el Instituto Tecnológico de Informática. En el contexto de emergencia climática actual, resultan de especial importancia todas aquellas tareas que tengan la posibilidad de reducir el impacto ambiental de los procesos industriales, como es la pertinente a este trabajo.

El sistema basado en este modelo pretende clasificar los restos procedentes del troquelado de componentes en automoción. Estos plásticos están compuestos de polipropileno y pueden contener fragmentos de espuma adheridos a su superficie. De estos dos materiales solo el primero es reciclable, por lo que se debe asegurar que las piezas recicladas no contengan estos restos que contaminarían el proceso de reciclaje.

Para ello, se ha elaborado un modelo de clasificación de imágenes a nivel de píxel basado en el aprendizaje supervisado, tras lo que se ha realizado un proceso de experimentación para concluir la mejor configuración y arquitectura para la tarea. Del mismo modo también se ha experimentado con distintas bases de datos y se ha estudiado como las características de estos influyen en el aprendizaje.

[EN] This project consists of developing a neural network model capable of successfully distinguishing the surface material of a series of plastic parts from the die-cutting of automotive components. Therefore, this project takes on a real problem in the automotive industry and arises from the collaboration with the Technological Institute of Informatics. In the context of the current climate emergency, any task that has the possibility of reducing the environmental impact of industrial processes, such as the one relevant to this task, is of particular importance.

The system based on this model aims to classify the waste from the die-cutting of automotive components. These plastics are composed of polypropylene and may contain fragments of foam adhered to their surface. Of these two materials only the first is recyclable, so it must be ensured that the recycled parts do not contain any remains that would contaminate the recycling process.

To this end, a pixel-level image classification model based on supervised learning has been developed, after which a process of experimentation has been carried out to conclude the best configuration and architecture for the task. In the same way, we have also experimented with different databases and we have studied how their characteristics influence learning.

[CA] Aquest projecte consisteix en el desenvolupament d’un model de xarxa neuronal capaç de distingir satisfactòriament el material superficial d’una sèrie de peces plàstiques procedents de l’encunyació de components automovilístics. Aquest treball parteix, per tant, d’un problema real en la indústria de l’automoció i sorgeix de la col·laboració amb l’Institut Tecnològic d’Informàtica. En el context d’emergència climàtica actual, resulten d’especial importància totes aquelles tasques que tinguin la possibilitat de reduir l’impacte ambiental dels processos industrials, com és la pertinent a aquest treball. El sistema basat en aquest model pretén classificar les restes procedents de l’encunyació de components en automoció. Aquests plàstics estan composts de polipropilè i poden contenir fragments d’escuma adherits a la seva superfície. D’aquests dos materials només el primer és reciclable, per la qual cosa s’ha d’assegurar que les peces reciclades no continguin aquestes restes que contaminarien el procés de reciclatge. Per a això, s’ha elaborat un model de classificació d’imatges a nivell de píxel basat en l’aprenentatge supervisat, després del que s’ha realitzat un procés d’experimentació per a concloure la millor configuració i arquitectura per a la tasca. De la mateixa manera també s’ha experimentat amb diferents bases de dades i s’ha estudiat com les característiques d’aquests influeixen en l’aprenentatge.