Sistema de visión para la identificación, el control y la gestión de existencias de subconjuntos simples en entornos de fabricación desorganizados de la industria naval.

Resumen

El seguimiento eficiente del inventario es esencial en la fabricación industrial, donde superar las restricciones espaciales e identificar componentes no estructurados es fundamental para la programación dinámica de la producción. Este estudio investiga la aplicación del aprendizaje profundo en nubes de puntos, utilizando una arquitectura PointNet++ para clasificar diferentes variantes de bases de subconjuntos. Evaluamos el rendimiento del modelo utilizando cuatro resoluciones espaciales con el fin de valorar la relación entre la geometría y la eficiencia computacional. Utilizamos la prueba de Kruskal-Wallis para analizar los resultados y determinar el impacto del submuestreo de puntos en la clasificación.
Nuestros hallazgos no mostraron diferencias estadísticamente significativas en el rendimiento entre las densidades evaluadas. Sugiriendo que una resolución de 1024 puntos basta para diferenciar piezas fiablemente, reduciendo considerablemente la carga computacional. Sugiriendo así que estos modelos de visión 3D podrían capturar datos de entornos desorganizados, aportando una base para el seguimiento de inventario en tiempo real y la secuenciación dinámica en fábricas modernas.