Aplicación de técnicas de visión artificial a la detección de defectos en cajas de baterías

Abstract

Este trabajo presenta un sistema de visión artificial basado en técnicas de deep learning para la detección automática de defectos en los agujeros de tapas de batería, con el objetivo de sustituir o complementar la inspección manual en entornos industriales. El sistema cubre todo el flujo de trabajo, desde la adquisición de imágenes mediante un conjunto de cámaras en la línea de producción, hasta el preprocesamiento y segmentación automática de cada agujero, lo que permitió construir un conjunto de datos homogéneo y adaptado al problema específico de detección de fallos de soldadura.

Se evaluaron tres arquitecturas de referencia: YOLOv11, orientada a la detección de objetos, y ResNet18 y EfficientNet-B0, enfocadas en clasificación binaria. Para mitigar el desbalance entre clases, se aplicaron técnicas de aumento de datos, lo que permitió mejorar la robustez y capacidad de generalización de los modelos. Tras el entrenamiento y validación, los modelos alcanzaron precisiones superiores al 97% y elevados valores de recall, lo que evidencia su eficacia para identificar defectos incluso en condiciones adversas de iluminación o variabilidad superficial.

Los resultados obtenidos confirman la viabilidad de integrar este tipo de soluciones en procesos de control de calidad industrial en tiempo real, contribuyendo a reducir costes de inspección, minimizar errores humanos y garantizar la fiabilidad de la producción. Además, se discute el compromiso entre precisión y velocidad de inferencia, un factor determinante para su implementación en escenarios de fabricación a gran escala.

This work presents a computer vision system based on deep learning techniques for the automatic detection of defects in battery lid holes, with the aim of replacing or complementing manual inspection in industrial environments. The system covers the entire workflow, from image acquisition through a set of cameras on the production line to the preprocessing and automatic segmentation of each hole, which enabled the construction of a homogeneous dataset tailored to the specific problem of weld defect detection.

Three reference architectures were evaluated: YOLOv11, designed for object detection, and ResNet18 and EfficientNet-B0, focused on binary classification. To address class imbalance, data augmentation techniques were applied, improving the robustness and generalization ability of the models. After training and validation, the models achieved accuracies above 97% and high recall values, demonstrating their effectiveness in identifying defects even under adverse conditions of illumination or surface variability.

The obtained results confirm the feasibility of integrating this type of solution into real-time industrial quality control processes, contributing to reducing inspection costs, minimizing human errors, and ensuring production reliability. Furthermore, the trade-off between accuracy and inference time is discussed, which is a key factor for large-scale manufacturing deployment.