Control automatizado de procesos de producción en cadena mediante técnicas de Deep Learning

Abstract

[Resumen]: En el sector industrial, una gestión eficiente de áreas de trabajo, tiempo y recursos es crucial para maximizar la productividad y reducir costes de operación. En entornos con múltiples líneas de producción en cadena es fundamental minimizar los tiempos de inactividad para mantener el flujo de trabajo y garantizar una producción continua. El uso de cámaras de Circuito Cerrado de Televisión (Closed-Circuit Television) (CCTV) facilita las tareas de monitorización y control en entornos industriales. Sin embargo, la inspección manual de imágenes y vídeo es una tarea costosa que consume mucho tiempo, lo que destaca la necesidad de un sistema automatizado para el análisis y la monitorización eficiente del entorno de producción con la capacidad de detectar anomalías y enviar alertas. Los métodos computacionales basados en técnicas de Deep Learning (DL) se han convertido en referentes en la resolución de una amplia variedad de problemas debido a su capacidad para extraer patrones complejos a partir de datos visuales. En este trabajo se propone el uso de técnicas avanzadas de procesado de imagen y DL para el control automático del estado de las líneas de montaje. El sistema recibe imágenes capturadas por la cámara CCTV, analiza cada línea individualmente para determinar si está vacía, ocupada o en estado indeterminado debido a obstrucciones externas, e integra estas predicciones en un análisis temporal para la generación de estadísticas de producción, identificación de eventos de interés, como líneas inactivas durante períodos prolongados y envío de alertas. El enfoque propuesto busca mejorar la eficiencia en la monitorización de los procesos de producción, reducir la supervisión manual y optimizar la gestión de los procesos industriales.

[Abstract]: In the industrial sector, efficient management of work areas, time, and resources is crucial for maximizing productivity and reducing operational costs. In environments with multiple production lines, minimizing downtime is essential to maintain workflow and ensure continuous production. The use of CCTV cameras facilitates monitoring and control tasks in industrial settings. However, manual inspection of images and video is a costly and time-consuming task, highlighting the need for an automated system for efficient analysis and monitoring of the production environment with the capability to detect anomalies and send alerts. Computational methods based on Deep Learning (DL) techniques have become benchmarks in solving a wide range of problems due to their ability to extract complex patterns from visual data. This work proposes the use of advanced image processing techniques and deep learning for the automatic monitoring of assembly lines. The system receives images captured by CCTV cameras, analyzes each line individually to determine if it is empty, occupied, or in an indeterminate state due to external obstructions, and integrates these predictions into a temporal analysis for generating production statistics, identifying points of interest such as inactive lines during extended periods, and sending alerts. The proposed approach aims to enhance the efficiency of production process monitoring, reduce manual supervision, and optimize industrial process management.