El alumno Eneko Intxausti Arbaiza ha sido reconocido con la calificación SOBRESALIENTE CUM LAUDE, en el marco de su Doctorado Internacional. Su tesis, titulada An Uncertainty-Aware Methodology for Reliable and Adaptive X-ray Defect Detection in Casting Manufacturing, aborda los desafíos del control de calidad en la fabricación de piezas de fundición.
Detalles del tribunal y la investigación
El tribunal que evaluó su trabajo estuvo compuesto por:
- Presidencia: Rubén Usamentiaga Fernández (Universidad de Oviedo)
- Vocalía: Danijel Skocaj (University of Ljubljana)
- Secretaría: Ane Alberdi Aramendi (Mondragon Unibertsitatea)
La investigación se centra en el control de calidad óptico en fundición, un área que enfrenta retos significativos debido a la complejidad creciente de los procesos industriales. A pesar del éxito de las técnicas de deep learning en visión artificial, su aplicación para detectar defectos industriales presenta dificultades específicas, especialmente en la identificación de defectos sutiles en imágenes de rayos X y la falta de datos etiquetados.
Nueva metodología para la detección de defectos
La tesis propone una metodología innovadora que integra técnicas avanzadas de visión artificial con modelado probabilístico. Este enfoque combina una arquitectura mejorada para la detección con aprendizaje contrastivo, utilizando una estrategia auto-supervisada que aprovecha imágenes no etiquetadas. Además, se implementa un marco probabilístico basado en Monte Carlo dropout, lo cual permite cuantificar la incertidumbre en las predicciones.
Los resultados obtenidos durante la validación en un entorno de fabricación automotriz son prometedores: se alcanzó una precisión de clasificación del 95%, al tiempo que se identificaron automáticamente predicciones inciertas que requieren revisión experta. Este avance también reduce los requisitos de etiquetado manual en un 70%. La investigación demuestra que es posible cerrar la brecha entre las técnicas avanzadas de visión artificial y los requerimientos del control de calidad industrial, facilitando así una detección automatizada y fiable de defectos en líneas de producción.
Si (
No(
