Solución de selección de contenedores para conectores automotrices colocados al azar basada en técnicas de aprendizaje automático

Este artículo presenta el desarrollo de una solución de selección de piezas basada en sistemas de visión de bajo costo para la manipulación de conectores eléctricos automotrices utilizando técnicas de aprendizaje automático. El sector automotriz siempre ha estado en constante crecimiento y cambio, lo que también implica desafíos constantes en el sector de arneses de cables, y el crecimiento emergente de los autos eléctricos es prueba de esto y representa un desafío para la industria. Tradicionalmente, este sector se basa en la fabricación con fuerte trabajo humano y surge la necesidad de hacer la transición digital, apoyada en el contexto de la Industria 4.0, permitiendo la automatización de procesos y liberando a los operadores para otras actividades con mayor valor agregado. Dependiendo del modelo de automóvil y sus paquetes de características, un conector puede interactuar con un número diferente de cables, pero los agujeros del conector son los mismos. Los agujeros no conectados con cables deben sellarse, principalmente para garantizar la estanqueidad del cable. Las juntas se insertan manualmente o, más recientemente, a través de estaciones robóticas. Debido a la gran variedad de referencias y configuraciones de conectores, a veces se producen errores de diseño durante la inserción de sellos debido a referencias cambiadas o problemas con la máquina de inserción de sellos. En consecuencia, los conectores defectuosos se depositan en cajas, acumulando diferentes tipos de referencias. Estos conectores no son basura y necesitan ser reutilizados. Este artículo propone una solución de selección de piezas para clasificación, selección y separación, utilizando un gripper de dos dedos, de estos conectores para su reutilización en una nueva operación de extracción e inserción de sellos. Los conectores son identificados a través de un sistema de visión 3D, que consiste en una cámara Intel RealSense para información de profundidad del objeto y el algoritmo YOLOv5 para clasificación de objetos. La ventaja de este enfoque sobre otras soluciones es la capacidad de detectar y agarrar con precisión objetos pequeños a través de una cámara 3D de bajo costo incluso cuando la resolución de la imagen es baja, beneficiándose del poder de los algoritmos de aprendizaje automático.

Autores: Torres, Pedro; Arents, Janis; Marques, Hugo; Marques, Paulo