Ingeniería Electrónica · 2025
Control de calidad en la producción de materiales publicitarios para empresas de diseño y marketing usando imágenes e inteligencia artificial
Para este proyecto se desarrolló un sistema embebido de bajo costo para el control de calidad automatizado en la producción de materiales publicitarios impresos, empleando procesamiento de imágenes e inteligencia artificial. Se seleccionó la Raspberry Pi 4 por su balance entre capacidad de procesamiento y costo, integrando una cámara para la captura en tiempo real. Se construyó un conjunto de datos de 3.278 imágenes, junto con filtros ofrecidos por Roboflow lo que generó un total de 14.254. El modelo de detección elegido fue YOLOv11 Large, por su alta precisión, entrenado con 100 épocas y evaluado con métricas como mAP@0.5 (83.4%), precisión (82.1%) y recall (74.6%), mostrando un buen equilibrio entre detecciones correctas y mínimas omisiones. La implementación del sistema permitió realizar inferencia en tiempo real, identificando y clasificando defectos incluso en condiciones de iluminación variable o baja calidad de captura. Los resultados evidencian la viabilidad del sistema como alternativa económica y reproducible para empresas con recursos limitados, optimizando procesos, reduciendo desperdicio y mejorando la calidad de impresión. Las pruebas demostraron su capacidad de generalización en diferentes escenarios y dispositivos, lo que abre la posibilidad de su adopción en entornos de producción reales, así como futuras mejoras mediante hardware con aceleración de IA y ampliación del dataset.
Texto completo 72 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 12
- 1. Objetivosp. 14
- 1.1. Objetivo Generalp. 14
- 1.2. Objetivos Específicosp. 14
- 2. Marco Teóricop. 15
- 2.1. Aprendizaje Automáticop. 15
- 2.2. Redes neuronales y Deep Learningp. 17
- 2.2.1. Redes neuronales convolucionesp. 19
- 2.2.2. Redes neuronales profundas preentrenadasp. 21
- 2.3. Frameworkp. 25
- 2.4. Integración de IA en sistemas embebidosp. 26
- 2.5. Detección de objetosp. 27
- 2.6. PSNR (Relación Señal a Ruido-Máxima) y SSIM (Índice de Similitud Estructural)p. 28
- 3. Metodologíap. 31
- 3.1. Selección del sistema embebidop. 31
- 3.2. Construcción del conjunto de datosp. 37
- 3.2.1. Procesamiento y etiquetado de datosp. 40
- 3.3. Selección del modelo de aprendizaje automáticop. 42
- 3.4. Entrenamiento del Modelo en Roboflowp. 44
- 3.5. Roboflow Inferencep. 48
- 3.5.1. Inferencia en videop. 49
- 3.6. Métricas de desempeño PSNR y SSIMp. 51
- 4. Resultadosp. 49
- 4.1 Resultados de Validación del Sistema con PSNR y SSIMp. 52
- 4.2. Evaluación del modelo (YOLOv11) y métricas de desempeñop. 56
- 4.3. Análisis del comportamiento del entrenamientop. 57
- 4.3.1. Pérdidas de entrenamiento y validaciónp. 58
- 4.4. Implementación del sistema embebidop. 59
- 5. Conclusionesp. 66
- 6. Recomendacionesp. 67
- Lista de referenciasp. 69
- Apéndicep. 72
- Tabla 2 Desempeño del modelo con YOLOv4-tinyp. 36
- Tabla 3 Recolección del conjunto de datos para el entrenamiento del modelop. 38
- Tabla 4 Filtros de procesamiento para las imágenesp. 41
- Tabla 5 Modelos de entrenamientop. 42
- Tabla 6 Parámetros de entrenamiento del modelop. 43
- Tabla 7 Distribución de las imágenes en Roboflowp. 45
- Tabla 8 Rangos de interpretación de PSNR Y SSIMp. 52
- Tabla 9 Valores obtenidos del PSNR Y SSIMp. 54
- Figura 1 Tipos y algoritmos de aprendizaje automáticop. 17
- Figura 2 Representación esquemática del modelo matemático de una neurona artificialp. 18
- Figura 4 Detección de objetos basados en YOLOp. 23
- Figura 5 Descripción de un sistema embebidop. 32
- Figura 6 Defectos visuales comunes en impresiones publicitariasp. 39
- Figura 7 Selección del modelo de aprendizaje en Roboflowp. 46
- Figura 8 Entrenamiento del modelo de aprendizaje en la plataforma Roboflowp. 47
- Figura 9 Métricas obtenidas del entrenamiento del YOLOv11 Largep. 48
- Figura 10 Transmisión de video por Inference Pipelinep. 49
- Figura 11 Script de Python para realizar la inferencia en Roboflowp. 50
- Figura 12 Código en Python implementado para la validación del sistema embebidop. 53
- YOLOv11lp. 56
- Figura 15 Esquema de hardware y flujo de inferencia del sistema propuestop. 59
- Figura 16 Consumo de memoria RAM en la Raspberry Pi 4 al iniciar el Script de Pythonp. 60
- Figura 17 Script en correcto funcionamiento del sistema embebidop. 61
- impresiones”p. 62
- prueba cmyk de impresión a gran formato”p. 63
- Figura 20 Capturas del sistema de detección de fallas y resultados de YOLOv11p. 64
- Figura 21 Capturas del sistema de detección de fallas, detección corrimientos YOLOv11p. 65