Sistema de visión artificial para la inspección y detección de defectos en madera

Abstract

La inspección visual de superficies de madera tratada es una etapa clave en los procesos industriales de fabricación de mobiliario y otras aplicaciones reales. Sin embargo, la detección manual de defectos como grietas, nudos, irregularidades o deformaciones puede ser imprecisa, subjetiva y costosa en términos de tiempo y recursos. Este proyecto tiene como objetivo el desarrollo de un sistema automatizado de inspección basado en visión artificial que permite detectar defectos en madera de manera precisa, rápida y consistente. El trabajo se ha realizado en colaboración con la empresa Bcnvision, especializada en soluciones industriales de visión artificial. Para ello, se evaluará en distintas configuraciones de hardware, incluyendo cámaras 2D, sistemas de iluminación controlada, tecnología 3D y técnicas de Surface inspection. La elección final se basará en la capacidad de cada sistema para destacar con claridad las imperfecciones más comunes en entornos reales. El procesado de las imágenes capturadas se realizará mediante algoritmos de Deep learning, entrenados específicamente para reconocer patrones irregulares característicos de defectos en madera tratada. El sistema se ha diseñado con una orientación práctica y aplicabilidad directa en entornos industriales, con el objetivo de mejorar la calidad del producto final, reducir el desperdicio de material y aumentar la eficiencia del proceso productivo.

La inspecció visual de superfícies de fusta tractada és una etapa clau en els processos industrials de fabricació de mobiliari i altres aplicacions reals. No obstant això, la detecció manual de defectes com esquerdes, nusos, irregularitats o deformacions pot ser imprecisa, subjectiva i costosa en termes de temps i recursos. Aquest projecte té com a objectiu el desenvolupament d’un sistema automatitzat d’inspecció basat en visió artificial que permeti detectar defectes en fusta de manera precisa, ràpida i consistent. El treball s’ha realitzat en col·laboració amb l’empresa Bcnvision, especialitzada en solucions industrials de visió artificial. Per a això, s’avaluaran diferents configuracions de hardware, incloent-hi càmeres 2D, sistemes d’il·luminació controlada, tecnologia 3D i tècniques d’inspecció superficial. L’elecció final es basarà en la capacitat de cada sistema per destacar amb claredat les imperfeccions més comunes en entorns reals. El processat de les imatges capturades es durà a terme mitjançant algoritmes de Deep learning, entrenats específicament per reconèixer patrons irregulars característics en fusta tractada. El sistema s’ha dissenyat amb una orientació pràctica i aplicabilitat directa en entorns industrials, amb l’objectiu de millorar la qualitat del producte final, reduir el malbaratament de material i augmentar l’eficiència del procés productiu.

Visual inspection of treated wood surfaces is a key stage in industrial furniture manufacturing processes and other real-world applications. However, manually detecting defects such as cracks, knots, irregularities, or deformations can be inaccurate, subjective, and costly in terms of time and resources. This project aims to develop an automated inspection system based on artificial vision that allows detecting defects in wood accurately, quickly and consistently. The work has been carried out in collaboration with the company Bcnvision, which specialises in industrial artificial vision solutions. To do this, it will be evaluated in different hardware configurations, including 2D cameras, controlled lighting systems, 3D technology and Surface inspection techniques. The final choice will be based on each system's ability to clearly highlight the most common imperfections in real-world environments. The processing of the captured images will be carried out using Deep Learning algorithms, specifically trained to recognize irregular patterns characteristic of defects in treated wood. The system has been designed with a practical orientation and direct applicability in industrial environments, with the aim of improving the quality of the final product, reducing material waste and increasing the efficiency of the production process.