| Revista: | Ingeniería (Bogotá) |
| Base de datos: | |
| Número de sistema: | 000538207 |
| ISSN: | 0121-750X |
| Autores: | Aparicio Pico, Lilia Edith1 Amaya Marroquín, Oscar Julián1 Devia Lozano, Paola Andrea1 |
| Instituciones: | 1Universidad Distrital Francisco José de Caldas, Facultad de Ingeniería, Bogotá, Bogotá. Colombia |
| Año: | 2023 |
| Periodo: | Ene-Abr |
| Volumen: | 28 |
| Número: | 1 |
| País: | Colombia |
| Idioma: | Español |
| Resumen en español | Contexto: Este artículo contiene un análisis de las aplicaciones de las distintas técnicas de Deep Learning y Machine Learning utilizadas en un gran rango de industrias para garantizar el control de la calidad en productos terminados mediante la identificación de los defectos superficiales. Métodos: Se desarrolló una revisión sistemática de las tendencias y las aplicaciones de Deep Learning en procesos de calidad. Tras consultar varias bases de datos, se filtraron y clasificaron los artículos por industria y técnica específica de trabajo aplicada para su posterior análisis de utilidad y funcionamiento. Resultados: Los resultados muestran por medio de casos de éxito la adaptabilidad y el potencial de aplicabilidad de esta técnica de inteligencia artificial a casi cualquier etapa de proceso de cualquier producto, esto debido al manejo de técnicas complementarias que se ajustan a las diferentes particularidades de los datos, los procesos de producción y los requerimientos de calidad. Conclusiones: El Deep Learning, en complemento con técnicas como Machine Learning o Transfer Learning, genera herramientas automatizadas, precisas y confiables para controlar la calidad de producción de todas las industrias. |
| Resumen en inglés | Context: This article contains an analysis of the applications of different Deep Learning and Machine Learning techniques used in a wide rangen of industries to ensure quality control in finished products through the identification of surface defects. Method: A systematic review of the trends and applications of Deep Learning in quality processes carried out. After consulting several databases, the articles were filtered and classified by industry and specific work technique applied to later analyze their usefulness and performance. Results: The results show by means of success cases the adaptability and potential applicability of this artificial intelligence technique to almost any process stage of any product, due to the handling of complementary techniques that adjust to the different particularities of the data, production processes, and quality requirements. Conclusions: Deep Learning, complemented with techniques such as Machine Learning or Transfer Learning, generates automated, accurate, and reliable tools to control the quality of production in all industries. |
| Palabras clave: | Control de calidad en producción, Deep Learning, Defectos superficiales, Machine Learning. |
| Keyword: | Production quality control, Deep learning, Surface defects, Machine learning. |
| Texto completo: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
