Detección temprana de fallas en cintas transportadoras mediante visión computacional y deep learning

Abstract

Las correas transportadoras son componentes esenciales en sectores industriales como la minería y la manufactura, donde su funcionamiento continuo es crítico para la eficiencia operativa. Sin embargo, su uso constante en ambientes adversos las hace vulnerables a fallas. Estas, si no se detectan a tiempo, pueden provocar interrupciones costosas y riesgos de seguridad. Históricamente, el monitoreo de estos equipos se ha realizado mediante inspecciones manuales, un método que, además de ser demandante, presenta limitaciones en precisión y frecuencia. De ahí la importancia de implementar sistemas de detección automática, que no solo optimicen los costos y reduzcan la carga operativa, sino que también mejoren la seguridad y prolonguen la vida útil de los equipos.

Este trabajo de tesis se enfoca en desarrollar un sistema de detección temprana de fallas en cintas transportadoras mediante técnicas de visión computacional y aprendizaje profundo. El objetivo principal es automatizar la identificación de réplicas de fallas comunes como desgaste, grietas, empalmes y desalineamientos, que pueden comprometer el funcionamiento eficiente de las cintas transportadoras, críticas en industrias como la minería.

Se utilizaron redes neuronales convolucionales y el modelo YOLOv8, entrenado con un dataset de imágenes de fallas replicadas de forma artificial en un montaje experimental. El modelo fue implementado mediante una Raspberry Pi, lo que permitió pruebas en tiempo real. El sistema mostró buenos resultados en precisión y recall, con un mAP50 (valor entre 0 y 1 que encapsula el desempeño del modelo) de 0.99, demostrando su eficacia en la detección de fallas.

A pesar de los resultados positivos, se identificaron áreas de mejora, como la necesidad de un dataset más grande y diverso, y la importancia de entrenar el modelo en condiciones reales de operación para mejorar su robustez y precisión en ambientes industriales.