InGenio Journal
Revista de Ciencias de la Ingeniería de la Universidad Técnica Estatal de Quevedo
https://revistas.uteq.edu.ec/index.php/ingenio
e-ISSN: 2697-3642 - CC BY-NC-SA 4.0
Revisión de la literatura sobre el uso del aprendizaje
profundo enfocado en sistemas de inspección ópticos
automatizados para la detección de defectos
superficiales en el sector de la manufactura
(Literature review on the use of deep learning focused on automated
optical inspection systems for surface defect detection in the
manufacturing sector)
Jonathan Sanchez-Romero
1,2
, Joe Llerena-Izquierdo
1,2
1
Universidad Politécnica Salesiana, Carrera de Computación, Guayaquil, Ecuador
2
Grupo de Investigación en Enseñanza-Aprendizaje de las Ciencias para la Ingeniería, GIEACI
jsanchezrom@est.ups.edu.ec, jllerena@ups.edu.ec.
Resumen: El sector de la manufactura utiliza metodologías de aprendizaje automático
supervisado que permiten mejorar procesos de inspección mediante la visión artificial. La
inspección óptica automatizada ofrece eficiencia en el proceso de inspección para la
detección de defectos en la fabricación de diversos productos. Este trabajo aporta con la
identificación de aquellas limitaciones en el procesamiento de datos basados en el conjunto
de reglas definidas y la gestión del dominio del proceso. Se propone una revisión de
literatura sobre el uso del aprendizaje profundo enfocado a los sistemas de inspección
ópticos automatizados para la detección de defectos superficiales en el sector de la
manufactura. El objetivo propuesto es de identificar las diferentes arquitecturas orientadas
en redes neuronales convolucionales aplicadas en sistemas de inspección óptico con el fin
de automatizar la extracción de características o patrones. Por medio de la exploración de
trabajos relevantes se permite identificar un total de 47 documentos seleccionados que
abordan los problemas de generalización y técnicas de optimización, finalmente se
contrasta la información de las diferentes arquitecturas para la elaboración de una tabla
comparativa que evidencia mejoras en la precisión de los sistemas de inspección óptico
mediante el porcentaje alcanzado. Estos resultados contribuyen como un insumo al
conjunto de literatura existente para mejoras al sector de la manufactura.
Palabras clave: Manufactura, aprendizaje profundo, redes neuronales convolucionales,
algoritmos optimizadores, inspección ópticos automatizados, generalización, desequilibrio.
Abstract: The manufacturing industry uses supervised machine learning methodologies to
improve inspection processes through machine vision. Automated optical inspection offers
efficiency in the inspection process for the detection of defects in the manufacture of
various products. This work contributes with the identification of those limitations in data
processing based on defined rule sets and process domain management. A literature review
is proposed on the use of deep learning focused on automated optical inspection systems for
the detection of surface defects in the manufacturing sector. The proposed objective is to
identify the different architectures oriented on convolutional neural networks applied in
optical inspection systems to automate the extraction of features or patterns. By means of
the exploration of relevant works, a total of 47 selected papers that address generalization
problems and optimization techniques are identified. Finally, the information of the
different architectures is contrasted for the elaboration of a comparative table that evidence
improvements in the accuracy of the optical inspection systems by means of the percentage
achieved. These results contribute as an input to the existing body of literature for
improvements in the manufacturing sector.
Keywords: Manufacturing, deep learning, convolutional neural networks, optimization
algorithms, automated optical inspection, generalization, imbalance.
Volumen 6 | Número 2 | Pp. 1–19 | Julio 2023
DOI: https://doi.org/10.18779/ingenio.v6i2.680
Recibido (Received): 2022/11/07
Aceptado (Accepted): 2023/03/09
InGenio Journal, 6(2), 1–19 2
1. INTRODUCCIÓN
El proceso de manufactura comprende un conjunto de procedimientos definidos mediante
una gestión de calidad técnica y operativa aplicada por nuevas tecnologías y orientada por la
visión artificial [1]. La aplicación de los sistemas de inspección en el sector de la manufactura
pondera una gran variedad de procesos en diversas índoles. Procesos de tipo discretos y
repetitivos son los más comunes y, son objeto de estudio dentro de los trabajos seleccionados
para esta revisión de literatura. La detección de defectos utilizando procesos manuales no
cumple con la exigencia de la industria moderna y es uno de los objetivos principales para la
identificación de limitaciones tales como el factor operacional y tiempos de producción que,
derivan a una baja productividad y calidad del producto. Una de las desventajas fundamentales
se relaciona con los procesos de inspección manual, que se estructura mediante criterios de
selección de defectos, pero con limitantes orientadas al factor humano y en procesos repetitivos,
otra limitante son los tiempos de inspección condicionados por el número de objetos a
inspeccionar en la elaboración del producto que genera una detección lenta y un elevado costo
en la mano de obra [2].
Según trabajos como [3], [4], los sistemas de inspección óptica automatizados (AOI) se
implementan a principios de la década de 1990, con el objetivo de adaptarse a procesos
repetitivos y prolongados, mediante pruebas no destructivas, como una de las principales causas
en la reducción de la inspección manual, para aumentar los rendimientos en el proceso de
inspección. En las siguientes dos décadas posteriores a su implementación, países como Taiwán,
China, Corea del Sur y Estados Unidos, mencionan el esfuerzo en el desarrollo del proceso de
investigación para el progreso tecnológico de la inspección automatizada orientada a métodos
de visión por computadora y sus diversas propuestas para aplicaciones industriales. En la última
década, la implementación de los sistemas AOI en el sector de la manufactura es aplicado en su
gran mayoría en proceso de tecnología de montaje superficial, pero esto no limita sus
capacidades de adaptabilidad a diferentes procesos no lineales mediante métodos de
clasificación supervisados y no supervisados. Los sistemas AOI establecen una evolución en el
procesamiento de imágenes mediante algoritmos de aprendizaje automático y profundo,
permitiendo establecer regiones de interés para una automatización en el proceso de extracción,
selección de características y una selección de métodos de clasificadores.
Según [2], a inicios del 2021 en Taiwán se establece el uso de los sistemas AOI para la
detección de defectos en superficies metálicas, se menciona sobre errores de posicionamiento
que harían que los defectos se etiquetaran en lugares equivocados, ocasionados por los métodos
inadecuados de iluminación usados en la adquisición de la información. La inspección óptica
automatizada permite obtener eficiencia y eficacia en la fabricación del producto mediante el
uso de arquitectura como You Only Look Once (YOLOV3) para la detección de objetos, y redes
totalmente convolucionales (FCN) para la extracción de características. En los procesos
tradicionales de inspección superficial los modelos de aprendizaje profundo (DL) son cada vez
más aplicados debido a su utilidad en los sistemas inspección ópticos automatizados AOI. Un
factor esencial en el aprendizaje de modelos profundos es el proceso de entrenamiento y la
validación de la información. Los problemas como procesamiento de información, desequilibrio
en la transmisión de datos, cantidad limitada de muestras de entrenamiento y calidad de datos
generan discrepancia en el conjunto de entrenamiento y por consecuencia afecta la precisión del
modelo.
Para mejorar la estructura basada en un conjunto de reglas definidas y gestión del dominio
del proceso se propone esta investigación donde se presenta una revisión de literatura de los
modelos de aprendizaje profundo aplicados con incidencia en los sistemas de inspección ópticos
automatizados en el sector de la manufactura. Se tiene como objetivo identificar las diferentes
arquitecturas de redes neuronales convolucionales (CNN) aplicadas en sistemas inspección
óptica automatizada, mediante el uso modelos de aprendizaje profundo y sus diferentes técnicas
InGenio Journal, 6(2), 1–19 3
de optimización que permitan mejorar de manera eficiente la precisión del modelo y con ello la
detección de defectos superficiales.
2. TRABAJOS RELACIONADOS
La automatización en procesos de inspección se aplica en diferentes áreas de manufactura,
con el objetivo de garantizar la calidad del producto. Para detectar anomalías generadas en el
proceso de fabricación se ejecuta estrategias de mejora continua mediante un conjunto de
métricas que permitan garantizar el correcto desarrollo del producto.
2.1. Sistemas inspección óptico automatizado
Según [5], los sistemas de inspección AOI surgen con la finalidad de integrar la inteligencia
artificial y la tecnología de la inspección visual para establecer criterios automatizados mediante
el procesamiento de imágenes, que garanticen la precisión del modelo. Una de las principales
desventajas en los sistemas AOI es el procesamiento de las imágenes mediante el uso de
métodos tradicionales tales como: la alta dependencia del ingeniero del conocimiento para el
proceso de generación de extracción de características, el uso de dataset desequilibrados que
elevan los tiempos de aprendizaje y la baja tasa de precisión en la detección de defectos
evidenciados en las falsas alarmas. Según [6], se menciona sobre las limitantes mecánicas
relacionadas al proceso de adquisición de datos para la fabricación de baldosas aplicado en la
industria de la manufactura, se cita las problemáticas como el desequilibrio de datos
identificados en el proceso de entrenamiento del modelo.
El uso del aprendizaje profundo (DL) mediante arquitecturas como Faster R-CNN permite
ser un detector de objetos y extractor, automatizando procesos manuales de inspección,
obteniendo una eficacia y eficiencia en el proceso de identificación de objetos. El uso del
algoritmo clasificador pre entrenado como el VGG-16 y las técnicas de transferencia de datos
permiten acortar los tiempos de entrenamiento. Los resultados obtenidos de esta propuesta
alcanzan un 93% en el proceso de detección y clasificación de defectos. Se cita en [7], las
ventajas en la automatización mediante las arquitecturas de aprendizaje profundo (DL), sobre
las metodologías tradicionales de tipo supervisado que evidencian una predicción aceptable,
pero con una alta dependencia asociada al ingeniero del conocimiento especializado en el
proceso y el alto costo computacional. Las técnicas tradicionales como plantillas de
comparación, archivos de diseño asistido por computadoras (CAD) y etiquetamiento manual
usados por los sistemas de inspección ópticos automatizados, presentan una limitante en el
proceso de adquisición y recolección de datos. Se menciona en [5], sobre el uso de una red
neuronal convolucional de conjunto profundo (CNN) para inspeccionar defectos de soldadura
de paquete dual en línea (DIP) de placa de circuito impreso (PCB) y su limitación en el proceso
de adquisición de información por variaciones ambientales. El uso de la arquitectura YOLOv2
como detector de objetos y ResNet-101 como método clasificador permiten optimizar la tasa de
detección sobre las limitantes que relacionan a las plantillas de comparación que están sujetas
por reglas de diseño propios de los sistemas AOI. El uso de métodos optimizadores como el
aumento de datos mediante técnicas de transformación permiten generar una variabilidad de
muestras de entrenamiento para mitigar el desequilibrio de información y evitar errores de
etiquetamiento. Los resultados obtenidos dentro de esta propuesta alcanzan un 96.73% de
precisión en el proceso de identificación y clasificación de defectos.
Trabajos como [8], menciona sobre procesos de inspección de defectos en paneles de
madera, y su limitación en procesos de detección de defectos generado por factores ambientales
como la variación de ángulos y los fondos de iluminación que generan datos de baja calidad. El
uso de arquitecturas basado en una red neuronal convolucional CNN para la detección de objeto
y DenseNet 169 como método clasificador permiten optimizar la fuga y exceso de defectos.
Métodos de optimización como la normalización por lotes permiten evitar una sobrecarga
InGenio Journal, 6(2), 1–19 4
computacional que está derivada en las limitaciones de un conjunto de reglas definidas en
sistemas ópticos. Basados en parámetros de configuración mal optimizados y que no se adaptan
a las características de variabilidad del entorno como iluminación, velocidad y posición, generan
limitantes en la adquisición y recolección de datos y, que son usados en el proceso de
comparación mediante plantillas, se obtiene como resultado un 96.98% en la precisión del
modelo en la detección de defectos superficiales.
Se menciona en [2], sobre el proceso de etiquetamiento, este proceso requiere de un amplio
conocimiento del dominio para una correcta clasificación de defectos mediante algoritmos que
identifiquen variaciones de características en el proceso de comparación de datos. La precisión
de los sistemas AOI se limita por la variabilidad de características generadas por la estructura en
el dominio del conocimiento aplicada al proceso manual de extracción de propiedades. La alta
variabilidad de patrones de inspección generados para el proceso de comparación origina
modelos con alto costo computacional y un elevado tiempo de inspección en tiempo real. Según
[9], se menciona sobre los problemas en inspección óptica de superficies metálicas aplicado
sistemas AOI generado por la complejidad del cálculo computacional, se evidencia que los
tiempos de aprendizaje son elevados ya que no se dispone de una suficiente muestra de
entrenamiento acorde a las características del producto. La tasa de error en sistemas AOI es
elevada ya que el manejo de múltiples defectos genera discrepancia en el proceso de detección
de defectos basados en parámetros como rangos de movimiento, porcentaje de aceptación y
filtros de binarización. La arquitectura YOLO como extractor de características y VGG-19
como método clasificador permiten optimizar la complejidad mediante técnicas como control de
iteraciones aplicado en el proceso de entrenamiento. La reducción en los tiempos de predicción
permite obtener una mayor productividad, como resultado se obtuvo una precisión del 99.36%
en el proceso de detección y clasificación de defectos.
Se evidencia en [10], la inspección de características de componentes de circuitos integrados
aplicados en el sector electrónico, los problemas de calidad de imagen inestable y la limitación
de datos en el entrenamiento del modelo, genera discrepancia en la predicción afectando los
resultados. La aplicación de la arquitectura YOLO como extractor de características permite
mitigar la variabilidad en la iluminación y contraste de imágenes para el proceso de
clasificación, se aplica ResNet-50 como técnica para la transformación de datos, que consiste en
un aumento de datos basados en parámetros de variabilidad, se obtiene como resultado un
99.48% de precisión en el proceso de detección.
Las limitaciones ambientales de iluminación y velocidad generalmente ocasionan deficiencia
en la trasmisión de datos ocasionando discrepancias en el proceso de entrenamiento y limitando
las técnicas de predicción del aprendizaje supervisado usado en sistemas AOI, [11]. El proceso
de configuración es un factor esencial para el aprendizaje automático de tipo supervisado y tiene
como objetivo una constante evaluación del rendimiento de los parámetros de clasificación, de
tipo binario o de múltiples defectos. Su rendimiento a largo plazo permite identificar su grado
de adaptabilidad con nuevos datos de entrada, mediante su aumento, basado en la agregación de
características, para una correcta generalización en la clasificación de defectos superficiales
[12].
3. REVISIÓN DE LITERATURA
3.1. Problemas de generalización
La revolución industrial aplica metodologías de aprendizaje profundo y permite establecer
técnicas adaptativas mediante el aprendizaje por excepciones desafiantes para una mejora rápida
y continua del modelo propuesto. Trabajos como [13], [14], [15], mencionan que la aplicación
de redes neuronales convolucionales (CNN) y sus diferentes arquitecturas, están sujetas a la
variabilidad en la ingeniería de funciones, que permiten establecer metodologías de
InGenio Journal, 6(2), 1–19 5
retroalimentación orientadas a la automatización en el proceso de extracción de características
mediante la aplicación de procesos de convolución en las áreas de mayor interés así, son
identificadas por medio de filtros o kernel donde se establecen los coeficientes, encargados de
procesar la imagen de entrada y posteriormente ser registradas en mapas de características.
A medida que se repite el proceso se disminuye la resolución de los mapas de características
mediante técnicas de agrupamiento, seleccionando los coeficientes más relevantes y reduciendo
la matriz original a la mitad de su dimensión, pero esto conlleva al aumento de filtros, es decir,
el número de mapa de características, donde se registran las características o patrones más
complejos. Estos parámetros serán los valores de entrada a una red de clasificación indexada en
la arquitectura seleccionada para el procesamiento de imágenes [16].
Trabajos como [17], cita que los problemas de generalización están relacionados a la falta de
adaptabilidad a los nuevos datos de entrada mediante procesos de entrenamiento que evidencian
un excesivo ajuste del modelo y que, mediante datos de validación se determinan posibles
problemas de sobreajuste y desajuste.
Se menciona en trabajos como [18], que otro problema que origina una deficiente
generalización son: los datos de entrenamiento que presentan desequilibrio de clase, el proceso
de adquisición y recolección de datos generados por la visión artificial y la complejidad en la
estructura del algoritmo clasificador. Los ajustes de parámetros o hiper parámetros aplicando
técnicas de regularización y optimización, tales como dropout, early stopping, weigth decay,
datos artificiales y normalización por lotes permiten mitigar los problemas relacionados a la
precisión del modelo y determinan una correcta generalización en el proceso de clasificación de
defectos.
Según trabajos como [19], [20], [21], [22], una limitante en el proceso de predicción del
modelo son los problemas de variabilidad relacionados a la fase de recolección y adquisición de
información, que ocasiona desequilibrio en la transmisión de datos generando características no
válidas para el proceso de entrenamiento. Según [22], [23], [24], [25], una solución planteada a
problemas con limitación de datos es la implementación de técnicas de transferencia de
información mediante métodos clasificadores pre entrenados que permitan acortar el tiempo y
ajustar las características del producto. Para mitigar los problemas de desajuste, que ocasiona la
variabilidad de entorno en sistemas AOI por factores de intensidad de iluminación o velocidad,
en la adquisición de datos mediante el uso de cámaras con una alta precisión, se propone una
retroalimentación mediante técnicas de selección de procesos de binarización o segmentación
para una selección objetiva de características que permita tener una correcta generalización en la
predicción del modelo.
Según trabajos como [13], [18], un método muy utilizado para optimizar el proceso de
entrenamiento en una regresión de actualización de pesos mediante la aplicación del
backpropagation es el método del descenso del gradiente en sus diferentes variantes. El
sobreajuste es una problemática relacionada a un sobre entrenamiento del modelo que genera
discrepancias en la clasificación de nuevos datos relacionados al conjunto de validación de
ellos. Una solución es el aumento de datos de entrenamiento o de reducir la complejidad de la
arquitectura clasificadora con el objetivo de simplificar el modelo. Los métodos optimizadores
encontrados en el proceso de investigación están correlacionados con el proceso de
generalización permitiendo establecer metodologías que optimicen la predicción del modelo
[26]. La segunda problemática es el ajuste insuficiente (desajuste) que describe una incorrecta
selección de datos de entrenamiento que genera una discrepancia con las características de datos
requeridas para el proceso de entrenamiento y como factor secundario la arquitectura de la red
clasificadora además, es demasiado simple para procesar grandes cantidades de información
ingresadas en la red neuronal, como resultado se obtiene una deficiente adaptabilidad para
realizar una correcta generalización [22]. La adquisición de datos se aplica mediante un proceso
InGenio Journal, 6(2), 1–19 6
selectivo de información, ya que el aprendizaje profundo necesita un extenso conjunto de datos
que se evidencian en parámetros de cantidad y calidad para obtener una correcta eficacia en el
proceso de entrenamiento logrando precisión en la identificación de anomalías [15]. Esta
revisión permite citar problemas relacionados con la adquisición y de datos en sistemas AOI
ocasionando problemas de desajuste y sobreajuste (ver Tabla 1).
Tabla 1. Clasificación de los modelos de acuerdo con el problema encontrado.
Problemas identificados
Clasificación
Datos sin etiquetar
Sobreajuste
Sistemas complejos
Desajuste
Transmisión de datos desequilibrados
Desajuste
Variación de características
Sobreajuste
Condiciones del entorno
Sobreajuste
Datos de baja calidad
Sobreajuste
Volúmenes insuficientes de datos
Desajuste
Limitación de Hardware
Desajuste
Uso de datos incorrectos
Sobreajuste
La optimización permite establecer una mejor predicción para obtener una mejor precisión y
recuperación en la detección de defectos en superficies planas [27]. La aplicación del
aprendizaje profundo demanda un mayor poder de cómputo y capacidad de almacenamiento de
los sistemas actuales de inspección. Se propone trabajar con servidores externos mediante la
aplicación de dispositivos de comunicación que permitan ofrecer una escalabilidad, así como un
trabajo en paralelo del modelo de aprendizaje profundo y del sistema de inspección existente,
obteniendo una mejora en la detección y estabilidad en el proceso de inspección resultante [28].
Las técnicas tradicionales de los sistemas de inspección demuestran precisión solo si existe
un porcentaje bajo o mínimo de variación de los defectos detectados. Los modelos de
aprendizaje profundo han demostrado tener adaptabilidad en los diferentes entornos de los
sistemas de inspección tales como la iluminación, fondo, color, formas y tamaño, permitiendo la
identificación de problemas superficiales obteniendo modelos robustos [11]. Mediante la
aplicación de modelos de aprendizaje profundo basado en CNN se plantea reducir los criterios
de ajustes y alcanzar una elevada precisión y rendimiento, especialmente en entornos que
presentan variación de características generando inconsistencia en el conjunto de datos
obtenidos de los sistemas AOI, [8].
4. METODOLOGÍA
Se propone la selección de un método teórico con una perspectiva de evaluación cuantitativa
que permite examinar las diferentes propuestas de modelos asociados al aprendizaje profundo
para mitigar los problemas relacionados a la generalización en el proceso de clasificación,
mediante una comparación de métodos optimizadores citados en esta investigación. Por medio
de este estudio, se permite citar técnicas que eviten problemas de generalización que afectan a la
predicción de nuevos datos en el proceso de clasificación de defectos.
Las diferentes técnicas aplicadas deben garantizar el equilibrio en los datos de entrenamiento
y estar relacionadas con metodologías optimizadoras aplicadas en modelos clasificadores
identificados en la aportación de esta revisión. Según la normativa ISO/IEC 23053 se citan las
clasificaciones de problemas que se presentan en el desarrollo y entrenamiento del modelo
generando un proceso de detección y clasificación de objetos deficientes (sobreajuste y
desajuste).
InGenio Journal, 6(2), 1–19 7
Se escoge la técnica del mapeo sistemático que permite analizar e identificar los principales
problemas del tema de interés. Mediante el desarrollo se adquiere información relevante
estableciendo una estructura del contenido investigado para clasificar los resultados utilizando
un proceso metódico, exacto y breve de la información relevante de acuerdo con la motivación,
alcance, criterios de inclusión y exclusión principalmente (ver Figura 1).
Figura 1. Proceso metodológico para la revisión de literatura.
Definición de preguntas de investigación
Se definen las preguntas relacionadas al uso del aprendizaje profundo en sistemas de
inspección ópticos para mitigar problemas de detección de defectos originados por una
incorrecta generalización de datos en el proceso de predicción del modelo. En la Tabla 2 se
identifica cada una de las preguntas y su objetivo de estudio, mediante el cual se pudo
seleccionar, analizar y definir cada información encontrada.
Tabla 2. Preguntas de investigación y motivación.
Preguntas
Motivación
1. ¿Cuáles son los modelos de aprendizaje
profundo usados en sistemas de inspección
óptico automatizados?
Determinar cuantitativamente los modelos
DL propuestos mediante una revisión de
literatura
2. ¿Cuáles son los métodos optimizadores
aplicados en los
modelos de aprendizaje
profundo para mitigar los problemas de
clasificación en sistemas AOI?
Determinar cuantitativamente los métodos
optimizadores propuestos de acuerdo con la
revisión de literatura
3. ¿Cuáles son las técnicas que permiten
mitigar proble
mas de generalización
relacionadas a desajuste y sobreajuste?
Determinar cuantitativamente qué técnicas
se utilizan para mitigar los problemas de
generalización expuestos en los trabajos
seleccionados
4. ¿Qué evidencia empírica existe sobre los
artículos mencionados?
Identificar los tipos de artículos
seleccionados mediante una metodología
cuantitativa
Alcance de revisión
En la actualidad se dispone de varias opciones a nivel de repositorios de datos y artículos
relacionados, donde se enfoca nuestro análisis en la clasificación de defectos, mediante modelos
de aprendizaje profundo, determinando una búsqueda relacionada a métodos y algoritmos
expuestos por varios autores y analizando el área de visión artificial. Los temas expuestos y
artículos citados en el proceso de investigación se los detecta en repositorios de datos como
IEEExplore, ScienceDirect, Springer, MDPI, ASME, ACM Digital Library, Tech Science Press,
Definición de
preguntas de
investigación
Alcance de
revisión
Criterio de
inclusión y
exclusión de
artículos relevantes
Método de
búsqueda
Selección de
trabajos primarios
Delimitación de
criterios de análisis
Método de
adquisición de
información
Análisis de
resultado
InGenio Journal, 6(2), 1–19 8
IOP Science, Frontiers. El alcance de tiempo seleccionado para la búsqueda está entre los
rangos desde el año 2018 al 2022 (ver Tabla 3).
Criterios de inclusión. Se establece un conjunto de criterios para la elección de trabajos
relevantes mediante las siguientes consideraciones, entre ellas: se estableció como parámetros
principales de inclusión aquellos artículos que tengan una conexión con el área de aprendizaje
profundo y, donde diversos investigadores estiman metodologías de aplicación en sistemas de
visión artificial mediante la inspección óptica automatizada. Se incorpora además en la
investigación aquellos análisis, deductivos, experimentales, mixto y de observación.
Finalmente, se propuso incorporar artículos solo en inglés.
Criterios de exclusión. Se toma en consideración los siguientes parámetros: se descartan los
trabajos relacionados con acceso limitado por derechos de autor; se excluyen todos los trabajos
relacionados con artículos que tenga idioma diferente al inglés; se excluyen trabajos que no
tengan relación con el tema principal al aprendizaje profundo y sistemas de inspección óptico
automatizados.
Método de búsqueda. Se estructura la siguiente clasificación de filtros, primer filtro: Conexión
con el contenido principal; segundo filtro: Interpretación del extracto; tercer filtro: Revisión y
análisis completo de la propuesta de investigación; de esta forma se presentan los parámetros
que se ejecutan en la búsqueda de los trabajos de investigación.
Selección de trabajos primarios. Mediante el proceso de búsqueda se aplican parámetros
inclusión y exclusión para extraer trabajos relevantes afines al objetivo de la investigación, con
la finalidad de obtener resultados para las preguntas planteadas en el proceso de investigación.
Tabla 3. Resultado de la investigación exploratoria.
Motor de
búsqueda
IEEExplore MDPI Springer ScienceDirect ACM ASME Otros
Resultado
115
74
118
92
101
10
209
Selección
intermedia
47 23 63 15 34 4 49
Selección
final
18 11 9 4 1 1 3
Delimitación de criterios de análisis. Mediante los trabajos preseleccionados se determina una
revisión del resumen y por último se genera una revisión texto completo para citar la selección
final de trabajos asociados al proceso de investigación. La aplicación de métodos exploratorios
permite obtener un total de 47 resultados de búsqueda (ver Tabla 3).
Método de adquisición de información. Se genera la adquisición de información mediante las
preguntas de investigación que tienen como objetivo identificar los modelos, métodos y técnicas
que se utilizan dentro de esta revisión de literatura utilizando la aplicación de parámetros de
inclusión y exclusión que determinen los trabajos relevantes.
Análisis de resultado. Los resultados de la revisión de literatura, genera una tabla de resultados
que guardan correspondencia a las preguntas de investigación.
InGenio Journal, 6(2), 1–19 9
Tabla 4. Resultados de las preguntas de investigación.
Preguntas
Modelos – Métodos – Técnicas
Q1. ¿Cuáles modelos
aprendizaje profundo son
usados en sistemas de
inspección óptico
automatizados?
Modelos de detección
Algoritmos de clasificación
CNN, D-CNN, Faster R-
CNN, GAN-CNN, RCNN,
YOLO, YOLOv2, YOLOv3,
YOLOv4, YOLOv5
DenseNet 169, DNN, ELM,
FCN, KNN, MLP, ResNet-
101, ResNet-18, ResNet-34,
ResNet-50, SqueezeNet,
VGG-16, VGG-19
Q2. ¿Cuáles son los métodos
optimizadores
aplicados en
modelos aprendizaje profundo
para mitigar los problemas de
clasificación en sistemas
AOI?
Métodos optimizadores
Método AdaGrad descenso de gradiente adaptativo, Método
de descenso gradiente promedio, Método de gradiente
descendiente, AdaDelta training algorithm basado en
descenso de gradiente estocástico.
Q3. ¿Cuáles son las técnicas
que permiten mitigar
problemas de generalización
relacionadas a desajuste,
sobreajuste y sesgo?
Técnicas de mitigación
Técnicas de clasificación
Aumento e datos
Sobreajuste-Desajuste
Control de iteraciones
Sobreajuste-Desajuste
Aumento o reducción de la
complejidad del modelo
Sobreajuste-Desajuste
Agregación de característica
Sobreajuste
Selección correcta de datos
de entrenamiento
Desajuste
Planificación de tiempos de
entrenamiento
Sobreajuste
Q4. ¿Que evidencia empírica
existe sobre los artículos
mencionados?
Revisiones, propuestas y otros trabajos alojados en
repositorios digitales de acceso abierto y de pago
5. RESULTADOS
Una vez finalizado el proceso de recolección de datos relacionados al tema de investigación
se procede a citar nuestra matriz de información aplicando parámetros de inclusión y exclusión,
se obtiene como resultado un total de 47 trabajos de investigación seleccionados. Se identifica
que la mayor selección de documentos sean artículos de revistas, conferencias y revisiones que
pertenecen a la base de datos IEEExplore, estos aportan una cantidad de 18 documentos que
representan un 38% de la muestra total, MDPI representa un 23% (11), Springer representa un
19% (9), ScienceDirect representa un 9% (4), como contraparte se seleccionan las bases de
datos como ASME, ACM Digital Library, y otras como Tech Science Press, IOP Science,
Frontiers que juntas aportaron 5 documentos, que representan un 11% del total del proceso de
selección final.
Para la pregunta de investigación, Q1. ¿Cuáles son los modelos de aprendizaje profundo
usados en sistemas de inspección óptico automatizados?, los resultados encontrados se detallan
en la Tabla 5.
Se muestra la comparación de los algoritmos propuestos mediante la citación de las
limitaciones en los sistemas de inspección ópticos automatizados que especifican la variabilidad
del proceso de adquisición y recolección de datos basados en problemas de generalización
encontrados en el proceso de investigación (ver Tabla 5).
InGenio Journal, 6(2), 1–19
10
Tabla 5. Tabla comparativa de algoritmos propuestos.
Ref.
Propuesta
Problema
Optimización
Regularización
Arquitectura
Clasificador
Problema de
Generalización
Precisión
[29]
Inspección de
superficies
uniformes para
texturas
en entornos
industriales.
Variación de
características
generada por
varianza de
producción
Aumenta la tasa de
aprendizaje.
Aumentar la cantidad
de muestras.
Weigth decay. CNN ResNet-18
Limitación de
muestras de
entrenamiento
100%
[17]
Inspección
óptica de
conectores
eléctrico de
cifrado.
Problemas de
iluminación y
ruido
Aprendizaje de
transferencia.
Reducción
dimensional datos de
entrada.
Aumento de tasa de
aprendizaje.
Técnica de
transformación.
Método
dropout.
Tamaño de lote
Early stopping.
CNN VGG-16
Volúmenes
insuficientes de
datos.
Complejidad
computacional
99.87%
[30]
Inspección
óptica de
defectos de
laminado de
cobre.
Variaciones
ambientales
Normalización por
lotes.
Método adam.
Aumento de tasa de
aprendizaje.
Método
dropout.
Tamaño de lote.
CNN ResNet-101
Volúmenes
insuficientes de
datos
99.80%
[22]
Inspección
superficial de
juntas de
soldadura IC.
Las muestras
inspeccionadas
sean calificadas
o no, se
inspeccionan
con alta
probabilidad.
Aumento de tasa de
aprendizaje.
Normalización por
lotes.
Aumento del número
de épocas de
entrenamiento.
Aumento de muestras.
Tamaño de lote. CNN VGG-16
Limitación
cantidad de
muestras de
entrenamiento.
Desequilibrio
de las muestras
de
entrenamiento.
98.78%
[31]
Inspección de
defectos de
soldadura láser
en la
Recolección y
adquisición de
datos genera
altos requisitos
Uso de RMSProp.
Técnica de
transferencia de
aprendizaje.
Método
dropout.
Técnica de
aumento de
CNN SqueezeNet
Limitación de
hardware
98.69%
InGenio Journal, 6(2), 1–19
11
ventilación de
seguridad.
en el
rendimiento del
hardware
y del algoritmo
del sistema.
Disminución de la tasa
de aprendizaje.
Disminución de la
complejidad.
datos.
[25]
Inspección
óptica para la
detección de
virus troyanos
ocultos en
hardware.
Problemas de
variación de
contornos en
imágenes.
Normalización por
lotes.
Aprendizaje de
transferencia.
Redimensión de datos
de entrada.
Tamaño por
lote.
CNN ResNet-50
Datos de
entrenamiento
insuficientes.
Complejidad
del modelo.
98.50%
[32]
Inspección de
arañazos en
superficies
plásticas.
Problema de
iluminación
genera reflejo
superficial.
Aprendizaje de
transferencia.
Aumento tasa de
aprendizaje.
Transformación
rotación brillo
contraste volteo.
Weigth decay.
Tamaño de lote.
CNN Resnet-18
muestra de
datos
insuficiente
98.00%
[21]
Inspección
superficial de
defectos en
conector
utilizado en el
teléfono celular.
Problema de la
detección de
múltiples
defectos en la
producción a
alta velocidad
Validación cruzada.
Aumento de la tasa de
aprendizaje.
Variación del
Momentun.
Tamaño de lote.
Número de
épocas.
Método
dropout.
Weigth decay.
Faster R-
CNN
ResNet-101
Complejidad
computacional.
Desequilibrio
de las muestras
de
entrenamiento.
97.83%
[33]
Inspección
superficial para
la detección de
defectos en
placas de
circuito
impreso.
Problemas de
etiquetamiento
por variaciones
de tipo, tamaño,
ubicación
Método Adam.
Reducir la tasa de
aprendizaje permitió el
aumento de la
predicción.
Configuración
de híper
parámetros.
Caída de peso.
Tamaño de lote.
YOLOv5 Resnet-18
Complejidad
computacional.
97.43%
[19]
Inspección de
defectos para
soldadura de
paquete dual en
Variaciones
ambientales de
iluminación,
rotación y
Aumento en la tasa de
detección.
Aumento de
datos mediante
técnica de
transformación.
YOLO v2
ResNet-101
Tiempo de
inferencia de
detección.
Desequilibrio
96.73%
InGenio Journal, 6(2), 1–19
12
línea de placa
de circuito
impreso.
desviaciones
mecánicas.
de las muestras
de
entrenamiento.
[34]
Inspección
superficial para
componentes
electrónicos a
escala
manométrica.
Variación en
parámetros de
iluminación y
campo de
visión.
Uso de RMSprop.
Aumento de tasa de
aprendizaje.
Aumento de
iteraciones.
Agregación dominio
de características.
Tamaño de lote.
Método
dropout.
D-CNN DNN
Tiempo de
convergencia
del
entrenamiento.
95.21%
[35]
Inspección de
componentes
electrónicos y
optoelectrónicas
a escala
manométrica.
Variaciones de
fabricación que
no son
considerados
como defectos.
Método Adadelta.
Normalización por
Lotes.
Aprendizaje de
transferencia.
Método de
abandono.
Early stopping.
Aumento de
datos
artificialmente.
RCNN DNN
Complejidad
computacional.
Limitación
cantidad de
muestras de
entrenamiento.
94.30%
[20]
Inspección
superficial en el
revestimiento
de cerámica.
Variaciones
generada
condiciones de
entorno como
iluminación
dimensión,
posición e
incluso
materiales y
texturas.
Método Adam.
Aumento de datos
mediante método de
transferencia.
Early stopping.
Se reduce el
tiempo de
entrenamiento y
se mejora la
predicción del
modelo.
CNN ResNet-50
Transmisión de
datos
desequilibrado.
Limitación
cantidad de
muestras de
entrenamiento.
92.27%
InGenio Journal, 6(2), 1–19 13
Se identifican técnicas que permiten mitigar problemas de generalización que se definen
como la limitación del modelo para adaptarse a nuevas muestras de datos, permitiendo obtener
una estabilidad y adaptabilidad para realizar un eficiente proceso de predicción del modelo
propuesto. Los resultados permiten identificar las arquitecturas de aprendizaje para evaluar los
modelos con mayor usabilidad en el proceso de inspección aplicado en los sistemas de
inspección óptico automatizados (ver Figura 2).
Figura 2. Porcentaje de algoritmos propuestos en las investigaciones.
Los modelos con arquitectura basados en (CNN), son representados por el 38%. Se evidencia
sus respectivas variaciones tales como del Yolo versión 1-5 son representados con un 25% y sus
variantes, red neuronal convolucional redundante (RCNN) con un 15%, faster-RCNN con un
4%, red neuronal convolucional profunda (D-CNN) con un 9%, red convolucional generativa
(GAN-CNN) con un 9%. Se determina que las arquitecturas CNN son las alternativas más
utilizadas para el proceso de inspección de defectos superficiales.
Para la pregunta de investigación, Q2. ¿Cuáles son los métodos optimizadores aplicados en
los modelos de aprendizaje profundo para mitigar los problemas de clasificación en sistemas
AOI?, se determinan los métodos optimizadores identificados para la estimación del factor de
pérdida que permite evaluar el grado de madurez en el proceso de entrenamiento, obteniendo
una correcta generalización en el proceso de clasificación de defectos (ver Figura 3).
Figura 3. Porcentaje de propuestas y metodologías aplicadas.
Se evidencian metodologías optimizadoras aplicadas en el proceso de entrenamiento
mediante modelos de aprendizaje profundo, se destacan metodologías como el uso del método
base del Gradiente descendente que es representado por el 38%, se identifica la optimización
adaptativa de impulso Adam representada con el 26%, Gradiente descendente estocástico SGD
con un 17%, gradiente descendente adaptativo AdaGrad con un 9% y métodos con variaciones
del método Adam como el Adaboost, Adaadelta, RMSprop que representan un 10% del total de
investigaciones seleccionadas.
InGenio Journal, 6(2), 1–19 14
Para la pregunta de investigación, Q3. ¿Cuáles son las técnicas que permiten mitigar
problemas de generalización relacionadas a desajuste y sobreajuste ?, se evidencia que el mayor
porcentaje está relacionado a problemas de adquisición y recolección de datos asociados a la
categoría de sobreajuste, estimados en la tabla 5, utilizados en el proceso de entrenamiento de
los modelos de aprendizaje profundo representado por un 72%. Trabajos como se menciona en
[22], a los problemas de desajuste o ajuste insuficiente están representados por un 28% que se
relacionan a faltas de muestras de entrenamiento que a su vez generan una baja generalización
del modelo propuesto, además de la aplicación de metodologías que no son adaptativas al
conjunto de datos disponible, específicamente en las técnicas de procesamientos lineales
ajustada a conjuntos de datos no lineales (ver Figura 4).
Figura 4. Porcentaje de clasificación de problemas en la generalización de datos
Se detallan los problemas que se generan en el proceso de entrenamiento, estimando
diferentes factores importantes como la recolección de datos o el proceso de etiquetamiento de
clases que influyen en el aprendizaje del modelo. Se identifica que el 31% presenta
desequilibrio en la transmisión de datos para el conjunto de entrenamiento tema citado en
trabajos como [36] y menciona que afecta directamente la generalización y precisión de los
modelos de aprendizaje profundo; otro problema significativo es la limitación de datos que está
representado por el 23%; en tercer lugar la complejidad computacional representada por un 21%
relacionada a la limitación tanto a nivel de infraestructura como complejidad de la arquitectura
empleada en el proceso de aprendizaje.
Trabajos como [37], [38] dan importancia al cuarto problema que hace referencia al tiempo
para el entrenamiento y sus limitantes que están representadas por el 13% de la muestra total
que ocasionan complejidad computacional en la arquitectura de aprendizaje profundo y, los
problemas restantes están relacionados con etiquetamiento y datos de baja calidad que están
representados con un total del 12%.
Las diferentes propuestas aplicadas mediante usabilidad de los modelos de aprendizaje
profundo en los sistemas de inspección óptico automatizados para mitigar problemas de
generalización, enfocados en limitación de los sistemas, afectan la etapa de adquisición, y
recolección de datos ocasionando desequilibrio en la transmisión de datos. Mediante técnicas de
optimización citadas, se establecen la configuración eficiente de los hiper parámetros en el
proceso de entrenamiento.
Se identifica que el aprendizaje por transferencia, mencionado en trabajos como [39], cita
una técnica de optimización que permite que las redes aprendan de manera más rápida y precisa,
se representa con un 34% de las muestras totales, la técnica de normalización por lotes está
representado por un 26% y tiene como objetivo normalizar las entradas en cada proceso de
convolución de una red neuronal. Como valor agregado se identifica una categoría donde se
utilizan estas combinaciones de técnicas tanto en la transferencia y en la normalización, que
permiten alcanzar una rapidez y eficiencia en el proceso de entrenamiento, este está
InGenio Journal, 6(2), 1–19 15
representado por un 17% de las muestras totales. Según [40], el control de iteraciones es una
técnica muy usada en el proceso para reducir la complejidad del modelo mediante la
disminución del número de capas que permite obtener una mayor velocidad en el proceso de
aprendizaje. Se evidencia el aumento de la tasa de aprendizaje que está representado con un
15% y se refiere al proceso en la velocidad de aprendizaje de la arquitectura seleccionada, con
el objetivo de buscar el error de predicción óptimo para una correcta generalización de datos en
el modelo propuesto. Como procesos de optimización restantes se dispone de la actualización de
hiper parámetros mediante técnicas como reducción de dimensionalidad de imágenes de entrada
representadas con un 4%, la reducción de complejidad representado en parámetros como
número de capas o profundidad del modelo, cantidad de neuronas usadas y la función de
activación seleccionada para el proceso de entrenamiento, está representada con un 2% y por
último la técnica de validación cruzada que se utiliza para identificar desequilibrio en los datos
de entrenamiento está representada con un 2%.
Se evidencia que la técnica de regularización con mayor uso es la transformación de datos
mencionada en [41], que permite generar datos aleatorios de forma artificial generando la
variación de características en las nuevas imágenes, se aplica para el aumento de datos en el
dataset de entrenamiento, está representada por un 23% de los trabajos seleccionados. La
técnica dropout mencionada en [42], también conocida como abandono o deserción, se aplica
con el propósito de evitar de problemas de desaparición de gradiente, representa un 17% de los
trabajos seleccionados. La técnica early stopping representa un 13%, esta determina la carga del
punto óptimo en el entrenamiento. La técnica de normalización como el tamaño de lote está
representado por un 13%, permite evitar problemas de sobrecarga computacional. La técnica
como weigth decay está representada por un 11%, el aumento de la complejidad determinado
por el número de capas de iteraciones de entrenamiento y la arquitectura seleccionada está
representada por el 4%. Se presentan variantes adicionales que utilizan simultáneamente varias
técnicas de normalización tales como el dropout y weigth decay, early stopping y
transformación de datos que están representadas por un 19% del total de trabajos seleccionados.
Para la pregunta de investigación, Q4. ¿Qué evidencia empírica existe sobre los artículos
mencionados?, de un total de 47 documentos seleccionados, 39 documentos se clasifican como
propuestas de investigación, que representan un 83%, 6 documentos se relacionan con
estructuras de mapeos sistemáticos, que representan un 13% y 2 documentos de conferencia que
representan un 4%, [13], [11], [28], [29], [43], [44], [45], [46].
6. DISCUSIÓN
Se procede a realizar un análisis de los resultados para generar afirmaciones relacionadas a
las preguntas de investigación. Se propone el uso de modelos de redes neuronales
convolucionales para la detección y clasificación de defectos, pero se necesita validar la
cantidad y calidad de información requerida para entrenar este tipo de arquitecturas mediante
sistemas de inspección AOI.
Se identifica la aplicación de metodologías optimizadoras por medio de técnicas de
optimización y regularización de parámetros de entrenamiento, pero no se detallan estrategias
para prevenir problemas relacionados al desajuste y sobreajuste que afectan la precisión del
entrenamiento. Se especifican las diferentes técnicas para mitigar problemas de generalización
encontrados en el proceso de investigación, pero no incluye un análisis más completo de la
adquisición y recolección de datos que permita obtener un mejor equilibrio específicamente en
los datos de entrada del modelo.
Se debe considerar que entre el periodo seleccionado del 2018 al 2022 en este estudio es
notorio la falta de artículos que propongan nuevos métodos para mitigar problemas de
generalización enfocados al proceso de producción de la manufactura.
InGenio Journal, 6(2), 1–19 16
7. CONCLUSIONES
Los resultados obtenidos de esta revisión de literatura permiten identificar modelos de
aprendizaje profundo orientados al procesamiento de imágenes mediante redes neuronales
convolucionales y sus diferentes tipos de arquitecturas, basados en la detección automática de
características. Los diferentes autores exponen como factor inicial de investigación aquellos
procesos de inspección en superficies planas mediante el uso de modelos intuitivos que se
adapten a los diferentes campos de producción para la detección y clasificación de defectos. La
identificación de problemas de generalización en el proceso de entrenamiento y validación
permite identificar estrategias optimizadoras y de regularización orientadas a mejorar la
predicción de los modelos. Se define la importancia de los trabajos seleccionados identificando
las técnicas con mayor usabilidad en procesos de optimización, además se exponen
características de los diferentes tipos de defectos generados por las limitaciones de los sistemas
de visión artificial y sus conjuntos de datos utilizados en el proceso de aprendizaje. La
aportación de este estudio se refleja en la ruta de la revisión de literatura que detalla los
objetivos de los trabajos seleccionados permitiendo identificar metodologías de interés en la
retroalimentación orientadas a un proceso optimizador con un 26%, evaluación de métodos de
aprendizaje profundo con un 26%, problemas de adquisición y de recolección de la información
representados con un 21%, técnicas de predicción para el aprendizaje en un 15%, y propuestas
de modelos de aprendizaje profundo con un 12% del total de trabajos seleccionados.
REFERENCIAS
[1] R. Alvarado-Salazar and J. Llerena-Izquierdo, “Revisión de la literatura sobre el uso de
Inteligencia Artificial enfocada a la atención de la discapacidad visual,” Revista InGenio,
vol. 5, no. 1, pp. 10–21, 2022, doi: https://doi.org/10.18779/ingenio.v5i1.472.
[2] H.-I. Lin and F. S. Wibowo, “Image Data Assessment Approach for Deep Learning-
Based Metal Surface Defect-Detection Systems,” IEEE Access, vol. 9, pp. 47621–47638,
2021, doi: 10.1109/ACCESS.2021.3068256.
[3] A. A. R. M. A. Ebayyeh and A. Mousavi, “A Review and Analysis of Automatic Optical
Inspection and Quality Monitoring Methods in Electronics Industry,” IEEE Access, vol.
8, pp. 183192–183271, 2020, doi: 10.1109/ACCESS.2020.3029127.
[4] Q. Luo et al., “Automated Visual Defect Classification for Flat Steel Surface: A
Survey,” IEEE Trans Instrum Meas, vol. 69, no. 12, pp. 9329–9349, 2020, doi:
10.1109/TIM.2020.3030167.
[5] Y.-T. Li, P. Kuo, and J.-I. Guo, “Automatic Industry PCB Board DIP Process Defect
Detection System Based on Deep Ensemble Self-Adaption Method,” IEEE Trans
Compon Packaging Manuf Technol, vol. 11, no. 2, pp. 312–323, 2021, doi:
10.1109/TCPMT.2020.3047089.
[6] A. M. Kamoona, A. K. Gostar, A. Bab-Hadiashar, and R. Hoseinnezhad, “Point Pattern
Feature-Based Anomaly Detection for Manufacturing Defects, in the Random Finite Set
Framework,” IEEE Access, vol. 9, pp. 158672–158681, 2021, doi:
10.1109/ACCESS.2021.3130261.
[7] Y. Yang et al., “A lightweight deep learning algorithm for inspection of laser welding
defects on safety vent of power battery,” Comput Ind, vol. 123, 2020, doi:
10.1016/j.compind.2020.103306.
[8] L. C. Chen et al., “Edge-glued wooden panel defect detection using deep learning,”
Wood Sci Technol, vol. 56, no. 2, pp. 477–507, Mar. 2022, doi: 10.1007/S00226-021-
01316-3/TABLES/9.
InGenio Journal, 6(2), 1–19 17
[9] Y. C. Huang, K. C. Hung, C. C. Liu, T. H. Chuang, and S. J. Chiou, “Customized
Convolutional Neural Networks Technology for Machined Product Inspection,” Applied
Sciences 2022, Vol. 12, Page 3014, vol. 12, no. 6, p. 3014, Mar. 2022, doi:
10.3390/APP12063014.
[10] C. H. Lin, S. H. Wang, and C. J. Lin, “Using convolutional neural networks for character
verification on integrated circuit components of printed circuit boards,” Applied
Intelligence 2019 49:11, vol. 49, no. 11, pp. 4022–4032, May 2019, doi:
10.1007/S10489-019-01486-5.
[11] P. M. Bhatt et al., “Image-Based Surface Defect Detection Using Deep Learning: A
Review,” J Comput Inf Sci Eng, vol. 21, no. 4, Aug. 2021, doi:
10.1115/1.4049535/1094064.
[12] R. K. Sheu, L. C. Chen, M. S. Pardeshi, K. C. Pai, and C. Y. Chen, “AI Landing for
Sheet Metal-Based Drawer Box Defect Detection Using Deep Learning (ALDB-DL),”
Processes 2021, Vol. 9, Page 768, vol. 9, no. 5, p. 768, Apr. 2021, doi:
10.3390/PR9050768.
[13] H. I. Lin and F. S. Wibowo, “Image Data Assessment Approach for Deep Learning-
Based Metal Surface Defect-Detection Systems,” IEEE Access, vol. 9, pp. 47621–47638,
2021, doi: 10.1109/ACCESS.2021.3068256.
[14] J. W. Wang, C. C. Wang, and T. C. Cheng, “AI-based Automatic Optical Inspection of
Glass Bubble Defects,” ACM International Conference Proceeding Series, pp. 242–246,
Apr. 2020, doi: 10.1145/3396743.3396768.
[15] S. A. Reynoso Farnes, D. M. Tsai, and W. Y. Chiu, “Autofocus Measurement for
Electronic Components Using Deep Regression,” IEEE Trans Compon Packaging
Manuf Technol, vol. 11, no. 4, pp. 697–707, Apr. 2021, doi:
10.1109/TCPMT.2021.3060809.
[16] J. Llerena-Izquierdo, F. Procel-Jupiter, and A. Cunalema-Arana, “Mobile Application
with Cloud-Based Computer Vision Capability for University Students’ Library
Services,” Advances in Intelligent Systems and Computing, vol. 1277, pp. 3–15, Jun.
2021, doi: 10.1007/978-3-030-60467-7_1.
[17] H. Giang Nguyen, M. Meiners, L. Schmidt, and J. Franke, “Deep learning-based
automated optical inspection system for crimp connections,” 2020 10th International
Electric Drives Production Conference, EDPC 2020 - Proceedings, Dec. 2020, doi:
10.1109/EDPC51184.2020.9388203.
[18] M. A. Mallaiyan Sathiaseelan, O. P. Paradis, S. Taheri, and N. Asadizanjani, “Why Is
Deep Learning Challenging for Printed Circuit Board (PCB) Component Recognition
and How Can We Address It?,” undefined, vol. 5, no. 1, 2021, doi:
10.3390/CRYPTOGRAPHY5010009.
[19] Y. T. Li, P. Kuo, and J. I. Guo, “Automatic Industry PCB Board DIP Process Defect
Detection System Based on Deep Ensemble Self-Adaption Method,” IEEE Trans
Compon Packaging Manuf Technol, vol. 11, no. 2, pp. 312–323, Feb. 2021, doi:
10.1109/TCPMT.2020.3047089.
[20] G. S. Junior, J. Ferreira, C. Millán-Arias, R. Daniel, A. C. Junior, and B. J. T. Fernandes,
“Ceramic Cracks Segmentation with Deep Learning,” Applied Sciences 2021, Vol. 11,
Page 6017, vol. 11, no. 13, p. 6017, Jun. 2021, doi: 10.3390/APP11136017.
InGenio Journal, 6(2), 1–19 18
[21] K. J. Wang, H. Fan-Jiang, and Y. X. Lee, “A multiple-stage defect detection model by
convolutional neural network,” Comput Ind Eng, vol. 168, p. 108096, Jun. 2022, doi:
10.1016/J.CIE.2022.108096.
[22] J. Li, N. Cai, Z. Mo, G. Zhou, and H. Wang, “IC solder joint inspection via generator-
adversarial-network based template,” Mach Vis Appl, vol. 32, no. 4, pp. 1–16, Jul. 2021,
doi: 10.1007/S00138-021-01218-1/TABLES/4.
[23] X. Zheng, J. Chen, H. Wang, S. Zheng, and Y. Kong, “A deep learning-based approach
for the automated surface inspection of copper clad laminate images,” Applied
Intelligence 2020 51:3, vol. 51, no. 3, pp. 1262–1279, Sep. 2020, doi: 10.1007/S10489-
020-01877-Z.
[24] H. G. Nguyen, R. Habiboglu, and J. Franke, “Enabling deep learning using synthetic
data: A case study for the automotive wiring harness manufacturing,” Procedia CIRP,
vol. 107, pp. 1263–1268, Jan. 2022, doi: 10.1016/J.PROCIR.2022.05.142.
[25] A. Kulkarni and C. Xu, “A Deep Learning Approach in Optical Inspection to Detect
Hidden Hardware Trojans and Secure Cybersecurity in Electronics Manufacturing
Supply Chains,” Front Mech Eng, vol. 7, Jul. 2021, doi: 10.3389/FMECH.2021.709924.
[26] N. Hussain et al., “A deep neural network and classical features based scheme for
objects recognition: an application for machine inspection,” Multimed Tools Appl, pp. 1–
23, Apr. 2020, doi: 10.1007/S11042-020-08852-3/TABLES/8.
[27] L.-C. Chen et al., “Edge-glued wooden panel defect detection using deep learning,”
Wood Sci Technol, vol. 56, no. 2, pp. 477–507, 2022, doi: 10.1007/s00226-021-01316-3.
[28] T.-H. Kim, H.-R. Kim, and Y.-J. Cho, “Product Inspection Methodology via Deep
Learning: An Overview,” Sensors , vol. 21, no. 15. 2021. doi: 10.3390/s21155039.
[29] J. Lehr, A. Sargsyan, M. Pape, J. Philipps, and J. Krüger, “Automated Optical Inspection
Using Anomaly Detection and Unsupervised Defect Clustering,” IEEE International
Conference on Emerging Technologies and Factory Automation, ETFA, vol. 2020-
September, pp. 1235–1238, Sep. 2020, doi: 10.1109/ETFA46521.2020.9212172.
[30] X. Zheng, H. Wang, J. Chen, Y. Kong, and S. Zheng, “A Generic Semi-Supervised Deep
Learning-Based Approach for Automated Surface Inspection,” IEEE Access, vol. 8, pp.
114088–114099, 2020, doi: 10.1109/ACCESS.2020.3003588.
[31] Y. Yang et al., “A lightweight deep learning algorithm for inspection of laser welding
defects on safety vent of power battery,” Comput Ind, vol. 123, Dec. 2020, doi:
10.1016/j.compind.2020.103306.
[32] Y. F. Chen, F. S. Yang, E. Su, and C. C. Ho, “Automatic Defect Detection System Based
on Deep Convolutional Neural Networks,” 2019 International Conference on
Engineering, Science, and Industrial Applications, ICESI 2019, Aug. 2019, doi:
10.1109/ICESI.2019.8863029.
[33] V. A. Adibhatla et al., “Unsupervised Anomaly Detection in Printed Circuit Boards
through Student–Teacher Feature Pyramid Matching,” Electronics 2021, Vol. 10,
Page 3177, vol. 10, no. 24, p. 3177, Dec. 2021, doi: 10.3390/ELECTRONICS10243177.
[34] K.-C. Li et al., “Intelligent Identification of MoS2 Nanostructures with Hyperspectral
Imaging by 3D-CNN,” Nanomaterials 2020, Vol. 10, Page 1161, vol. 10, no. 6, p. 1161,
Jun. 2020, doi: 10.3390/NANO10061161.
[35] B. M. Haddad, S. F. Dodge, L. J. Karam, N. S. Patel, and M. W. Braun, “Locally
Adaptive Statistical Background Modeling with Deep Learning-Based False Positive
InGenio Journal, 6(2), 1–19 19
Rejection for Defect Detection in Semiconductor Units,” IEEE Transactions on
Semiconductor Manufacturing, vol. 33, no. 3, pp. 357–372, Aug. 2020, doi:
10.1109/TSM.2020.2998441.
[36] T. W. Tang, W. H. Kuo, J. H. Lan, C. F. Ding, H. Hsu, and H. T. Young, “Anomaly
Detection Neural Network with Dual Auto-Encoders GAN and Its Industrial Inspection
Applications,” Sensors 2020, Vol. 20, Page 3336, vol. 20, no. 12, p. 3336, Jun. 2020,
doi: 10.3390/S20123336.
[37] T. C. Tsan, T. F. Shih, and C. S. Fuh, “TsanKit: artificial intelligence for solder ball
head-in-pillow defect inspection,” Mach Vis Appl, vol. 32, no. 3, May 2021, doi:
10.1007/S00138-021-01192-8.
[38] J. Villalba-Diez, D. Schmidt, R. Gevers, J. Ordieres-Meré, M. Buchwitz, and W.
Wellbrock, “Deep Learning for Industrial Computer Vision Quality Control in the
Printing Industry 4.0,” Sensors 2019, Vol. 19, Page 3987, vol. 19, no. 18, p. 3987, Sep.
2019, doi: 10.3390/S19183987.
[39] Y. Shih, C. C. Kuo, and C. H. Lee, “Low-Cost Real-Time Automated Optical Inspection
Using Deep Learning and Attention Map,” Intelligent Automation & Soft Computing,
vol. 35, no. 2, pp. 2087–2099, Jul. 2022, doi: 10.32604/IASC.2023.027659.
[40] S. Mei, Q. Cai, Z. Gao, H. Hu, and G. Wen, “Deep Learning Based Automated
Inspection of Weak Microscratches in Optical Fiber Connector End-Face,” IEEE Trans
Instrum Meas, vol. 70, 2021, doi: 10.1109/TIM.2021.3059105.
[41] H. Yang, S. Mei, K. Song, B. Tao, and Z. Yin, “Transfer-Learning-Based Online Mura
Defect Classification,” IEEE Transactions on Semiconductor Manufacturing, vol. 31,
no. 1, pp. 116–123, Feb. 2018, doi: 10.1109/TSM.2017.2777499.
[42] Q. Zhang et al., “Deep learning based solder joint defect detection on industrial printed
circuit board X-ray images,” Complex and Intelligent Systems, vol. 8, no. 2, pp. 1525–
1537, Apr. 2022, doi: 10.1007/S40747-021-00600-W/FIGURES/12.
[43] T. Czimmermann et al., “Visual-Based Defect Detection and Classification Approaches
for Industrial Applications—A SURVEY,” Sensors 2020, Vol. 20, Page 1459, vol. 20,
no. 5, p. 1459, Mar. 2020, doi: 10.3390/S20051459.
[44] S. Shahrabadi, Y. Castilla, M. Guevara, L. G. Magalhães, D. Gonzalez, and T. Adão,
“Defect detection in the textile industry using image-based machine learning methods: A
brief review,” J Phys Conf Ser, vol. 2224, no. 1, Apr. 2022, doi: 10.1088/1742-
6596/2224/1/012010.
[45] A. A. R. M. A. Ebayyeh and A. Mousavi, “A Review and Analysis of Automatic Optical
Inspection and Quality Monitoring Methods in Electronics Industry,” IEEE Access, vol.
8, pp. 183192–183271, 2020, doi: 10.1109/ACCESS.2020.3029127.
[46] D. U. Lim, Y. G. Kim, and T. H. Park, “SMD Classification for Automated Optical
Inspection Machine Using Convolution Neural Network,” Proceedings - 3rd IEEE
International Conference on Robotic Computing, IRC 2019, pp. 395–398, Mar. 2019,
doi: 10.1109/IRC.2019.00072.
Copyright (2023) © Jonathan Sánchez Romero, Joe Llerena-Izquierdo.
Este texto está protegido bajo una licencia internacional Creative Commons 4.0. Usted es libre para compartir, copiar y
redistribuir el material en cualquier medio o formato. También podrá adaptar: remezclar, transformar y construir sobre el material.
Ver resumen de la licencia.
