Control automatizado del uso de contenedores industriales mediante técnicas de aprendizaje profundo
Ver/Abrir
Use este enlace para citar
http://hdl.handle.net/2183/33349
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 3.0 España
Colecciones
Metadatos
Mostrar el registro completo del ítemTítulo
Control automatizado del uso de contenedores industriales mediante técnicas de aprendizaje profundoAutor(es)
Directores
Ramos García, LauraOrtega Hortas, Marcos
Fecha
2023Centro/Dpto/Entidad
Universidade da Coruña. Facultade de InformáticaDescripción
Traballo fin de grao (UDC.FIC). Enxeñaría informática. Curso 2022/2023Resumen
[Resumen]: La optimización del uso de áreas de trabajo, recursos y tiempo es fundamental para mejorar
la eficiencia, reducir costes y aumentar la productividad en cualquier organización. En
entornos industriales con elevada generación de residuos, la monitorización del uso de contenedores
en cuanto a capacidad disponible, nivel de ocupación y necesidad de vaciado es
crucial para asegurar la continuidad de todas las fases de las cadenas productivas.
Con el auge de la industria 4.0 y los avances en métodos computacionales basados en
aprendizaje automático para el procesado automático de imagen y vídeo, cada vez son más las
organizaciones que demandan la automatización de procesos y tareas para lograr una gestión
global e inteligente de su infraestructura y operaciones.
En este trabajo de fin de grado se propone el desarollo de un método para el control automatizado
del uso de contenedores industriales a partir de imágenes obtenidas por un sistema
de cámaras Closed-Circuit Television (CCTV) ubicado en un entorno industrial real. El método
propuesto consta de una primera fase para la segmentación de las zonas de interés en
la imagen, como las regiones ocupadas por residuos y una segunda fase para la estimación
del nivel de ocupación de cada contenedor individual y su clasificación en base a si requiere
ser vaciado o no. Para abordar estas tareas se realiza un análisis de aproximaciones basadas
en técnicas clásicas de machine learning y aproximaciones basadas en deep learning. Se consideran
diferentes configuraciones de parámetros y se realiza un estudio comparativo para
seleccionar la aproximación más adecuada para este domino. Adicionalmente, la metodología
desarrollada ha sido integrada en un servicio de videovigilancia de una plataforma para la gestión
global e inteligente de infraestructuras industriales, proporcionando una herramienta de
apoyo que permite la monitorización fiable y objetiva del uso de contenedores y la generación
y envío de las alertas correspondientes. [Abstract]: Optimizing the use of work areas, resources, and time is essential for improving efficiency,
reducing costs, and increasing productivity in any organization. In industrial environments
with high waste generation, monitoring the use of containers in terms of available capacity,
occupancy level, and the need for emptying is crucial to ensure the continuity of all phases
of the production chains.
With the rise of Industry 4.0 and advancements in computational methods based on machine
learning for automated image and video processing, more and more organizations are
demanding process and task automation to achieve comprehensive and intelligent management
of their infrastructure and operations.
This thesis proposes developing a method for the automated control of industrial container
usage based on images obtained from a Closed-Circuit Television (CCTV) camera system
located in a real industrial environment. The proposed method consists of a first phase
for segmenting the areas of interest in the image, such as regions occupied by waste, and a
second phase for estimating the occupancy level of each individual container and classifying
it based on whether it requires emptying or not. To address these tasks, an analysis of
approaches based on classical machine learning techniques and deep learning approaches is
performed. Different parameter configurations are considered, and a comparative study is
conducted to select the most suitable approach for this domain. Additionally, the developed
methodology has been integrated into a video surveillance service of a platform for comprehensive
and intelligent management of industrial infrastructures, providing a supportive
tool that allows reliable and objective monitoring of container usage and the generation and
sending of corresponding alerts.
Palabras clave
Visión por computador
Aprendizaje profundo
Aprendizaje automático
Segmentación de imagen
Procesado de imagen
Gestión de residuos
Industria 4.0
Computer vision
Deep learning
Machine learning
Image segmentation
Image processing
Waste management
Industry 4.0
Aprendizaje profundo
Aprendizaje automático
Segmentación de imagen
Procesado de imagen
Gestión de residuos
Industria 4.0
Computer vision
Deep learning
Machine learning
Image segmentation
Image processing
Waste management
Industry 4.0
Derechos
Atribución-NoComercial-SinDerivadas 3.0 España