Diseño y caracterización de un generador sintético de planos para el entrenamiento de un modelo de Deep Learning

Abstract

En los últimos años, el campo de la Inteligencia Artificial ha experimentado un crecimiento exponencial, siendo el siguiente escalón en la Industria 4.0 mediante su implementación en el mundo profesional. Este proyecto se centra en el diseño y caracterización de un generador de planos industriales sintéticos, destinado al entrenamiento de un modelo de Deep Learning, empleando la arquitectura YOLO, integrada en la red neuronal DarkNet. Se busca solucionar el problema de la escasez de planos de producción industrial reales para entrenar un modelo de Machine Learning mediante la generación de datos artificiales que repliquen de manera realista la variabilidad existente en los ejemplos que se encuentran en la vida real. Se propone mejorar el rendimiento y eficiencia de esta tecnología, con el fin de proporcionar una posible implementación de la IA en el sector de la manufactura. A lo largo del proyecto, se entrenan y comparan tres modelos: uno entrenado con datos reales y escasos; uno entrenado con datos sintéticos; y otro entrenado con una combinación de ambos tipos de datos. Los resultados recogidos demuestran que los datos sintéticos obtenidos a partir del generador diseñado mejoran la detección de tolerancias en comparación con el modelo entrenado con datos reales, lo que allana el camino para una potencial aplicación de la Inteligencia Artificial en el sector industrial, pese al obstáculo de no poder disponer de suficientes ejemplos reales para desarrollarla. Una vez analizados los modelos, el que mejor resultados ofrecía fue integrado en una GUI que simulaba una aplicación que pudiera ser potencialmente empleada en un entorno industrial.

In recent years, the field of Artificial Intelligence has experienced exponential growth, becoming the next step in Industry 4.0 through its implementation in the professional world. This project focuses on the design and characterization of a synthetic industrial drawing generator, intended for training a Deep Learning model using the YOLO architecture, integrated into the DarkNet neural network. The aim is to address the problem of the scarcity of real industrial production drawings for training a Machine Learning model by generating artificial data that realistically replicates the variability found in real-life examples. The goal is to improve the performance and efficiency of this technology to provide a potential implementation of AI in the manufacturing sector. The project compares the results of three models: one trained with real, scarce data; one trained with synthetic data; and one trained with a combination of both types of data. The collected results demonstrate that the synthetic data obtained from the designed generator enhances the tolerance detection performed by the model when compared to the use of real data, paving the way for a potential application of Artificial Intelligence in the industrial sector, despite the obstacle of not having enough real examples to develop it. Once these results were analyzed, the model that best performed was introduced in a GUI that simulated a potential integration of this technology in a tool that could be used in an industrial environment.