Julen Balzategui Oruna ikasleak BIKAIN kalifikazioa lortu zuen, ‘CUM LAUDE’ aipamenarekin
Julen Balzategui Oruna ikasleak BIKAIN kalifikazioa lortu zuen, ‘CUM LAUDE’ aipamenarekin
Julen Balzategui Oruna ikasleak BIKAIN kalifikazioa lortu zuen, ‘CUM LAUDE’ aipamenarekin
Tesiaren izenburua: "Deep Learning Based Methodology For The Development Of Industrial Quality Inspection Systems"
Epaimahaia:
- Presidentzia: George Panoutsos (University of Sheffield)
- Bokala: Ander Muniategui Merino (Lortek)
- Bokala: Ekaitz Zulueta Guerrero (EHU/UPV)
- Bokala: Mikel Maiza Galparsoro (VICOMTECH)
- Idazkaria: Ekhi Zugasti Uriguen (Mondragon Unibertsitatea)
Laburpena:
Azken urte hauetan fabrikazio industriala bete betean sartuta egon da industry 4.0 edo laugarren industriala-iraultza deitu den prozesuan. Iraultza hau, aurretik prozesu industrialen automatizazioaren jarraipena mantenduz gain, beste tendentzi berri batzuk ere ekarri ditu, esate baterako, akatsik gabeko produkzioa, kalitate kontrol ez intrusibo unitarioa, edo fabrikazioan zehar pieza guztien kontrola eramatea. Iraultza hau pairatu duten sektore ezberdinen artean, panel fotovoltaikoen sektorea dago. Sektore hau, energia berriztagarrien sektore estrategikoaren barruan izanda, gobernuen eta inbertsore pribatuen finantzaketa handia jaso du gaur egungo teknologia hobetzeko helburuarekin. Honek, panelen prezioa behera egitea eragin du, ondorioz panelen eskaera handituz eta automatizazioaren beharra ere areagotuz.
Fabrikazio prozesuaren etapa guztien artean, kalitate kontrola paper oso garrantzitsua betetzen du. Sektore fotovoltaikoaren kasu konkretuan, kalitate kontrola Elektrolumininsentzia deituriko teknikaren bitartez egiten ohi da, non paneletako defektuak nabarmenduta agertzen diren erresoluzio altuko irudiak ateratzen dira. Nahiz eta prozesuen automatizaziorantz mugitu, gaur egun sektore honetan langileek jarraitzen dute izaten kalitate kontrolaren egiten dutenak. Horregatik, azken urte hauetan hainbat proposamen egin dira automatizaziorantz begira. Hala ere, proposaturiko soluzioak hainbat limitazio azaltzen dute kontextu industrial batean aplikatu ahal izateko.
Limitazioen artean hauek nabarmentzen dira: kanpo aldaketei aurre egiteko malgutasun gutxi dute zeren aplikaturiko prozedimenduak datuen ezaugarri oso partikularrak kontuak izanda diseinatu dira. Esate baterako, inspekzio sistema diseinatzerako orduan, zelularen kolore argia eta defektu ilun eta longitudinalaren arteko kontraste handia aprobetxatu da. Baina zelularen material konposizio berri baten ondorioz zelula aspektu ilunago bat izaten badu edota defektuen itxura aldatzen bada, posible da soluzio osoaren berdiseinuaren beharra izatea. Beste alde batetik, soluzio batzuk entrenamendurako akastun lagin asko behar duten algoritmoak erabiltzen dute. Halako laginak ezin dira beti erraz lortu, eta kontextu industrial batean are eta zailago izan daiteke. Eta azkenik, erabilitako algoritmo batzuk kaxa beltz bat izango lirateke moduan joka dezake, non pieza bat txarra edo ona den bakarrik iragarriz erabiltzaileen aldetik momentu batzuetan sistema ondo funtzionatzen duen ala ez inguruan mesfidantza sortu dezake.
Arrazoi hauengatik, tesi honen helburu nagusia Deep Learning oinarrituriko kalitate kontrolerako sistema bat eratzeko balioko duen metodologia bat eratzea izan da. Metodologiak teknika sendo eta flexibleak jorratu ditu, beti ere akastun diren datuen behar minimoa kontuan izanda eta emaitz interpretableak emateko kapazitatea bermatuz, hala-nola akatsen posizioa emanez. Honez gain, metodologia baita lehenengo momentutik inzpekziorako modelo bat lortzeko aukera eta gero gizakiaren parte hartze minimoarekin modeloak hobetzeko aukera ematen du.