Sistema mecatrónico para contabilización de los elementos de una cadena de transmisión en una línea de producción con deepSORT

Abstract

La problemática de control de producción utiliza sensores en aplicaciones de fajas transportadoras, pero con la llegada de la industria 4.0 el uso de visión por computadora se ha vuelto una opción atractiva para el control de la producción. Lo cual queda evidenciado en [1] donde se hace uso de visión por computadora para hacer un control de la producción en una línea automotriz. Asimismo, en el caso de elementos con una geometría más simple, se pueden emplear técnicas de procesamiento de imágenes para realizar el control de la producción [2]. Por lo tanto, en la presente investigación para enfrentar la problemática del control de la producción en las cadenas de transmisión, se plantea un algoritmo capaz de hacer seguimiento y contabilización de elementos fabricados. Para lograrlo se empieza con la creación de la base de datos con fotografías de las piezas que componen una cadena de transmisión de potencia en las normas ASA (American Estandar Association) y BS (British Standards), para justificar la elección del método se realizará una comparativa de las distintas alternativas de visión artificial (procesamiento de imágenes, machine learning y Deep learning). Finalmente, se implementa el algoritmo DeepSORT en la placa Raspberry PI 3, destacando que la red neuronal SSD MobileNet V2 alcanzo una velocidad de 9.88 FPS, la red neuronal para clasificación logró tener una reducción de memoria menor al 2 % de su tamaño original, el algoritmo DeepSORT se alcanzó un valor de MOT de 1 para 3 objetos al mismo tiempo.Production control issues use sensors in conveyor belt applications, but with the advent of Industry 4.0, the use of computer vision has become an attractive option for production control. This is evidenced in [1], where computer vision is used to control production on an automotive line. Likewise, in the case of elements with simpler geometry, image processing techniques can be used to control production [2]. Therefore, in this research, to address the problem of production control in transmission chains, an algorithm capable of tracking and accounting for manufactured elements is proposed. To achieve this, we begin by creating a database with photographs of the parts that make up a power transmission chain in accordance with ASA (American Standard Association) and BS (British Standards) standards. To justify the choice of method, we will compare the different artificial vision alternatives (image processing, machine learning, and deep learning). Finally, the DeepSORT algorithm is implemented on the Raspberry PI 3 board, highlighting that the SSD MobileNet V2 neural network reached a speed of 9.88 FPS, the neural network for classification achieved a memory reduction of less than 2 % of its original size, and the DeepSORT algorithm achieved a MOT value of 1 for 3 objects at the same time.