Datos breves: Construyó un sistema de visión computarizada basado en bordes para detectar fallas en las cintas transportadoras en tiempo real, lo que permite Reducción de los costos de inspección en un 25% y Reducción del 10% en las tarifas de mantenimiento anuales.

Acerca del cliente

Una importante empresa forestal que opera instalaciones industriales a gran escala, donde el tiempo de actividad de la maquinaria es fundamental para la productividad y la seguridad.

El desafío

El cliente necesitaba evitar fallos en la cinta transportadora que introducía troncos de madera en una astilladora, una máquina que procesa troncos a alta velocidad. Anteriormente, este proceso se supervisaba manualmente mediante videovigilancia, y los operadores utilizaban un joystick para pausar, invertir o reanudar las operaciones.

El desafío consistía en automatizar la detección para reducir la dependencia de la supervisión humana las 24 horas del día, los 7 días de la semana, y evitar costosos tiempos de inactividad o daños en los equipos.

El enfoque de Marvik

Desarrollamos un prueba de concepto mediante visión artificial, desplegada en un NVIDIA Jetson Nano dispositivo de borde, capaz de analizar las transmisiones de vídeo en vivo desde la cinta transportadora en tiempo real.

Los pasos clave incluyeron:

• Estabilizar y filtrar la transmisión de vídeo para garantizar la precisión del modelo.
  
  
• Aplicación de tareas de clasificación y detección de objetos para detectar posibles fallos.
  
  
• Filtrar las salidas del modelo ML para reducir los falsos positivos.
  
  
• Integrar la solución de software y hardware para enviar señales directamente al sistema de control de la planta para una acción inmediata.
  

El sistema se creó con Python, Golang, React, OpenCV, TensorFlow, Keras, PyTorch y NVIDIA Jetson Nano TX2.

Los resultados y el impacto

• Reducción del 25% en los costos de inspección.
  
  
• Reducción del 10% en las tarifas de mantenimiento anuales.
  
  
• Detección automatizada de fallos sistemáticos que, de otro modo, requerirían una supervisión humana continua.
  

Según McKinsey & Company, el mantenimiento predictivo basado en la inteligencia artificial puede aumentar la disponibilidad de los equipos hasta en un 20%, beneficios que nuestro cliente ahora puede aprovechar al reducir los costos y aumentar el tiempo de actividad.

Por qué es importante

Al combinar la visión artificial, la computación perimetral y la integración directa con los controles de la planta, transformamos una monótona tarea de monitoreo manual en una protección automatizada y predictiva: protegemos los equipos, reducimos los costos y mejoramos la resiliencia operativa.