Resumen en español

Este trabajo propone un enfoque inicial para la detección automatizada de productos no conformes (productos que no cumplen con ciertos estándares de calidad, es decir, aquellos que presentan defectos) en una empresa productora de espumas fenólicas. Actualmente, la clasificación se realiza mediante inspección visual manual, la cual es susceptible a sesgos subjetivos y errores. Por ello, el objetivo de este estudio es desarrollar un modelo de clasificación supervisada basado en imágenes que permita identificar defectos en las espumas producidas. Se realizó un diseño experimental para la adquisición de datos, mediante la captura de imágenes de 380 piezas de espuma fenólica, registrando dos vistas por pieza (lado A y lado B), lo que resultó en un total de 760 imágenes. Estas corresponden a cuatro clases: una categoría conforme, denominada espuma buena, y tres categorías no conformes: espuma con beta cristalizada, espuma con beta escurrida y espuma con poros. A partir de estas imágenes, se emplearon técnicas de extracción de características como la transformada discreta de wavelet y patrones locales binarios, junto con selección de características mediante Eliminación Recursiva de Características (RFE). Posteriormente, se entrenaron dos modelos de clasificación: máquinas de soporte vectorial y regresión logística multinomial, validados mediante validación cruzada. Los resultados indican que las características extraídas fueron relevantes para discriminar entre las clases, destacándose el modelo de máquinas de soporte vectorial por su mejor desempeño global en la clasificación multiclase. En ambos modelos, la clase mejor identificada fue la de espuma conforme, que se refiere a la espuma que cumple con los estándares de calidad al no presentar ningún defecto visible. Se concluye que este enfoque constituye un primer avance hacia la automatización del proceso de inspección, y puede ser complementado con técnicas más avanzadas de visión por computador en futuros desarrollos.