Clasificación de defectos en tableros melamínicos mediante imágenes multiespectrales y redes neuronales convolucionales

Abstract

La industria manufacturera de la madera requiere cada vez más sistemas automáticos e inteligentes para la detección de defectos, dado que el control de calidad basado en inspección visual por operadores humanos presenta variabilidad y limitaciones en su desempeño. Este trabajo aborda dicha necesidad mediante la evaluación de redes neuronales convolucionales para la clasificación automática de defectos en tableros revestidos con melamina. Para ello, se capturaron imágenes multiespectrales en las bandas visible (VIS) e infrarroja cercana (NIR), utilizando un sistema de cámaras instalado en una línea de producción industrial. Se evaluaron los modelos Residual Network 18 y Visual Geometry Group 16, obteniendo niveles de precisión comparables a los alcanzados por operadores expertos. Los resultados superaron el 92 % de precisión en todas las tareas de clasificación, lo que sugiere la aplicabilidad práctica del enfoque propuesto en sistemas automatizados de control de calidad.