En una línea de producción, la inspección de calidad suele significar que alguien revisa cada pieza. Este notebook entrena una red neuronal pequeña para tomar esa decisión a partir de una foto: ¿la pieza fundida está defectuosa o bien?
Datos
El dataset de Kaggle con imágenes reales de piezas fundidas para inspección de calidad, con dos clases: defectuosa y correcta. Las imágenes se cargan con generadores de datos, se redimensionan a 224 × 224 píxeles y se reescalan a valores entre 0 y 1.
Modelo
Una CNN pequeña al estilo TinyVGG: capas convolucionales y de max-pooling apiladas, una capa flatten y una sola salida sigmoide para clasificación binaria. Se entrena con entropía cruzada binaria y el optimizador Adam durante 5 épocas en GPU.
Resultados
La exactitud en validación subió de 79% en la primera época a 94.8% en la quinta, con 96.7% en entrenamiento. El notebook también muestra imágenes aleatorias con la clase predicha, con borde verde para las correctas y rojo para las defectuosas.
Evalué solo con la partición de validación. El siguiente paso sería un conjunto de prueba independiente y una matriz de confusión antes de confiar en el modelo en una línea real, porque un defecto que no se detecta cuesta más que una falsa alarma.
Créditos
El código base sigue el curso de TensorFlow de Andrei Neagoie (Zero To Mastery). Lo adapté a este dataset.