Deep learning based methodology for the development of industrial quality inspection systems

Resumen

En los últimos años la industria manufacturera ha estado envuelta en lo que ha denominado como cuarta revolución industrial o Industry 4.0. Además de perseverar en la automatización de los procesos, la revolución ha traído consigo nuevas tendencias para producción tales como la fabricación sin defectos, un control de calidad no destructivo unitario, o el rastreo absoluto de las piezas a lo largo de la cadena de producción. Entre los distintos sectores influenciados por la revolución, se encuentra el sector fotovoltaico. Este sector, ha recibido gran financiación de entidades gubernamentales e inversores privados que ha derivado en una mejora de la tecnología. Esto ha hecho que los precios de los paneles se hayan abaratado, aumentando así la demanda de los mismos, haciendo a su vez más necesaria la automatización de su proceso de producción. Entre todas las etapas durante la producción, el control de calidad juega un papel de vital importancia. En el caso concreto del sector fotovoltaico, el control de calidad en su fabricación industrial se realiza valiéndose de la técnica de Electroluminiscencia, la cual que permite obtener imágenes de alta resolución de las células fotovoltaicas donde los defectos quedan resaltados. En contraste con la tendencia hacia la automatización, en la práctica la inspección de los paneles sigue realizándose mayormente por operarios. En los últimos años numerosas propuestas han sido realizadas con el objetivo de automatizar este control de calidad. No obstante, las propuestas hasta el momento muestran ciertas limitaciones para su aplicación en el contexto industrial cada vez más dinámico y demandante. Entre las limitaciones identificadas se encuentran: la falta de flexibilidad a cambios en la producción ya que los procedimientos propuestos han sido diseñados para sacar partido de particularidades muy específicas de los datos. Por ejemplo, el sistema de inspección puede haberse diseñado teniendo en cuenta el gran contraste que el fondo claro de la célula y las grietas negras y longitudinales en las mismas presentan. No obstante, una variación, como por ejemplo, un fondo más oscuro debido a una nueva composición de las células o grietas con distinta morfología, puede suponer la necesidad de tener que volver a diseñar el sistema de inspección por completo. Por otra parte, algunas propuestas contemplan algoritmos que requieren muchas muestras defectuosas para su entrenamiento, las cuales suelen ser de difícil acceso en entornos industriales. Y por último, algunas soluciones consisten en algoritmos que pueden actuar como cajas negras respecto a su interpretabilidad, que en conjunto con dar como resultado solo si una pieza es defectuosa o no, puede suscitar dudas sobre el funcionamiento del sistema de inspección. Por estas razones, el objetivo de esta tesis ha consistido el diseño de una metodología basada en técnicas Deep Learning para el desarrollo de sistemas de inspección. La metodología ha contemplado técnicas robustas y flexibles a cambios, pero capaces de funcionar en entornos industriales con escasas muestras defectuosas, y además ofrecer resultados más interpretables que una mera clasificación, como por ejemplo, la localización de los defectos en las muestras. A su vez, se ofrecen maneras de obtener modelos de inspección desde un primer momento en la línea de producción, y aprovechar las características de los mismos para obtener cada vez modelos más precisos sin casi necesitar una intervención humana.