Revista de Marina
Última edición
Última edición

Modelos generativos adversarios con aplicaciones en la industria del acero

  • JULIO ESPINOZA LLANOS

Por JULIO ESPINOZA LLANOS

  • Fecha de recepción: 10/08/2023
  • Fecha de publicación: 31/12/2023. Visto 17 veces.
  • Resumen:

    En la industria, detectar defectos en el acero es crucial para evitar pérdidas económicas. Aunque los modelos Deep Learning han avanzado, siguen careciendo de suficientes datos para ser entrenados. Este estudio propone una solución innovadora: usar redes generativas adversarias profundas convolucionales para aumentar datos, superando las limitaciones de disponibilidad de datos al proporcionar un conjunto amplio y diverso de imágenes para entrenar clasificadores. Los resultados muestran la factibilidad de generar imágenes artificiales de defectos en acero idénticas a las reales.

  • Palabras clave: Deep Learning, GAN, DCGAN, classification.
  • Abstract:

    In the steel industry, detecting defects in this metal is crucial to avoid economic losses. Although deep-learning models have progressed, they still lack sufficient data for training. This study proposes an innovative solution: using deep convolutional generative adversarial networks (DCGAN) to augment data, overcoming data availability limitations by providing a large and diverse set of images to train classifiers. The results show the feasibility of generating artificial images of steel defects identical to real ones.

  • Keywords: deep learning, GAN, DCGAN, classification.

Inicie sesión con su cuenta de suscriptor para comentar.-

Comentarios