El alumno Eneko Intxausti Arbaiza obtuvo la calificación SOBRESALIENTE CUM LAUDE con mención Doctorado Internacional
- Título de tesis: An Uncertainty-Aware Methodology for Reliable and Adaptive X-ray Defect Detection in Casting Manufacturing
Tribunal:
- Presidencia: Rubén Usamentiaga Fernández (Universidad de Oviedo)
- Vocalía:Danijel Skocaj (University of Ljubljana)
- Secretaría:Ane Alberdi Aramendi (Mondragon Unibertsitatea)
Resumen:
El control de calidad en la fabricación de piezas de fundición se enfrenta a importantes desafíos debido a la creciente complejidad de los procesos industriales. Aunque las técnicas de deep learning han mostrado éxito en visión artificial, su aplicación a la detección de defectos industriales presenta retos específicos, especialmente en la detección de defectos sutiles en imágenes de rayos X y la escasez de datos etiquetados. Esta tesis desarrolla una metodología novedosa para el control de calidad óptico en fundición mediante la integración de técnicas avanzadas de visión artificial con modelado probabilístico. El enfoque combina una arquitectura mejorada de detección con aprendizaje contrastivo, una estrategia de aprendizaje auto-supervisado que aprovecha imágenes no etiquetadas, y un marco probabilístico basado en Monte Carlo dropout para cuantificar la incertidumbre en las predicciones. La validación en un entorno de fabricación de automoción demuestra una precisión de clasificación del 95% mientras identifica automáticamente predicciones inciertas que requieren revisión experta, reduciendo además los requisitos de etiquetado manual en un 70%. Esta investigación demuestra que la brecha entre las técnicas más avanzadas de visión artificial y los requisitos del control de calidad industrial puede salvarse de manera efectiva, permitiendo implementar una detección automatizada y fiable de defectos en líneas de producción.