Metodología para la Clasificación de Caligrafías de Cordón de SoldaduraMIG analizando el rendimiento de diferentes algoritmos de Procesamiento de Imágenes y Aprendizaje de Máquinas

Resumen

El presente trabajo propone una metodología para la clasificación de caligrafías en cordones de soldadura utilizando técnicas de procesamiento de imágenes y aprendizaje de máquina. La metodología incluye las siguientes etapas: preprocesamiento de las imágenes mediante filtros adaptativos, extracción de características geométricas y de textura asociados a las clases de soldadura en condiciones limpias y sucias, así como la implementación de tres algoritmos de inteligencia artificial (Redes Neuronales Convolucionales - CNN, K-Nearest Neighbors - KNN y Máquinas de Soporte Vectorial - SVM) ejecutados desde una computadora personal cargada con imágenes de cordones de soldadura previamente preparadas, y la evaluación del desempeño de cada algoritmo mediante diferentes métricas de precisión y matrices de confusión. Los resultados obtenidos permiten tener un panorama general de los tres enfoques para la clasificación de patrones de soldadura, bajo distintas configuraciones de preprocesamiento y resolución de las imágenes. Cada algoritmo se evaluó bajo diferentes configuraciones de preprocesamiento y resoluciones de imagen para determinar su capacidad de distinguir características y patrones geométricos en los cordones de soldadura tipo “zigzag” y “lineal”, antes y después de limpieza. Los resultados obtenidos muestran que, aunque las redes neuronales convolucionales (CNN) alcanzan mayores precisiones con imágenes de alta resolución y preprocesamiento adecuado, los modelos KNN y SVM ofrecen una clasificación efectiva incluso con resoluciones intermedias y menor preprocesamiento. Esto indica que KNN y SVM son alternativas viables cuando se busca un balance entre costo computacional y precisión, permitiendo una implementación eficiente en sistemas con recursos limitados o para aplicaciones de respuesta rápida. En particular, el modelo SVM demostró una mayor estabilidad y capacidad de generalización bajo diferentes configuraciones de preprocesamiento y resolución, mientras que KNN, aunque más sensible a variaciones en la calidad de la imagen, logró un desempeño adecuado en condiciones intermedias. La metodología propuesta es capaz de clasificar los patrones de soldadura tipo “zigzag” y “lineal”, antes y después de la limpieza.