Por JULIO ESPINOZA LLANOS
Detectar defectos en el acero es vital para la industria naval y militar. Los modelos de Deep Learning necesitan cuantiosos datos para ser entrenados que son escasos. Este artículo usa redes generativas adversarias convolucionales profundas para crear imágenes sintéticas de defectos en el acero, idénticas a las reales, ampliando y diversificando conjuntos de datos para entrenar modelos de clasificación. Esta técnica es viable, beneficiosa y prometedora para mejorar los sistemas de control de calidad en diversos ámbitos de la industria.
Identifying defects in steel manufacture is vital for the shipbuilding and military industry. Deep Learning models lack sufficient data for training, in addition to the time-consuming nature of this task. This article explains the use of deep convolutional adversarial generative networks (DCGAN) to create synthetic images of steel defects, identical to real ones, by expanding and diversifying data to train classification models. This technique is feasible, beneficial, and promising for improving quality control systems in various fields of this industry.
Todos hemos visto últimamente cómo las imágenes “fake” creadas con inteligencia artificial han provocado confusión e inc...
Versión PDF
Año CXXXVIII, Volumen 141, Número 999
Marzo - Abril 2024
Inicie sesión con su cuenta de suscriptor para comentar.-