Tekniker – Detección de elementos peligrosos en parque de chatarra
Tekniker
Sector: Industria
Business Case
La inspección de la chatarra recibida se realiza visualmente por personal del parque de chatarra, una vez depositado, lo que requiere una inversión significativa de tiempo y es propenso a la subjetividad. Esto implica que la presencia de elementos peligrosos o el incumplimiento de los criterios dimensionales de la chatarra pueden pasar inadvertidos, poniendo en riesgo tanto la seguridad del personal como la eficiencia y calidad del proceso productivo.
Objetivos
Desarrollo de un sistema avanzado hardware y software de visión artificial y algoritmos de aprendizaje profundo para inspeccionar automáticamente la chatarra en condiciones industriales severas. Su objetivo es la clasificación del tipo de chatarra, automatizar la detección de elementos peligrosos y fuera de especificación, además de mejorar el calculo de la homogeneidad de la chatarra, optimizando así el proceso de recepción del material y la clasificación y caracterización de la chatarra.
Use case
En cargas de chatarra. Se ha empleado IA generativa para crear escenas sintéticas, ampliando y diversificando el dataset, lo que mejoEl enfoque del proyecto ha sido el entrenamiento de modelos avanzados de detección de objetos usando inteligencia artificial para identificar el tipo de chatarra y elementos peligrosos ra la precisión y robustez de la detección.
Infraestructura
Edge. On Premise.
Tecnologías utilizadas
Aprendizaje Automático o Profundo Reconocimiento/procesamiento de imágenes
Datos utilizados
Dataset propio generado y etiquetado en distintas instalaciones de ArcelorMittal
Recursos utilizados
A nivel organizativo ha sido necesario 1 director de proyecto, 3 especialistas en visión artificial e IA y 1 técnico de hardware. Desarrollo técnico realizado por Tekniker y Arcelormittal Basque Country Research Centre , y requisitos y validación por parte de ArcelorMittal.
Dificultades y aprendizaje
Uno de los principales desafíos ha sido la falta de un dataset con una amplia variabilidad de objetos peligrosos que abarque las distintas categorías necesarias para el entrenamiento efectivo de los modelos de detección. Esta limitación ha dificultado el desarrollo de un modelo capaz de identificar con precisión una gama diversa de elementos peligrosos en diferentes contextos y condiciones operativas. La escasez de datos ha requerido el uso de técnicas de IA generativa para enriquecer y diversificar el dataset existente, mejorando así la capacidad de generalización del modelo.
KPIs (impacto en el negocio y métricas del modelo)
mAP, Precisión, Recall y métricas propias
Financiación
Programa Inteligencia Artificial Aplicada de la SPRI
Colaboradores
ArcelorMittal Basque Country Research Centre, ArcelorMittal Sestao
