Descripción y contextualización de la asignatura

En un contexto industrial en el que se busca automatizar al máximo los procesos para reducir los costes de producción, los sistemas de aprendizaje automático se utilizan para la detección temprana de fallos en el sistema de producción.



En esta asignatura se estudiarán las dos principales aplicaciones de este tipo de sistemas: la detección de situaciones anómalas en base a las lecturas de los sensores instalados en una planta, y la detección visual automática de fallos en piezas dentro de un sistema de producción.

Resultados del aprendizaje de la asignatura

Conocimientos o contenidos:

RCO15: Conocimiento de los conceptos de series temporales, anomalías, y de las peculiaridades de aplicar técnicas de inteligencia artificial en un contexto de generación de datos constante.



Competencias:

RC4: Comprender y ser capaz de aplicar las herramientas básicas de investigación en el ámbito de IAI e IAO.





Habilidades o destrezas:

RHE31: Habilidad para aplicar diferentes técnicas de Inteligencia Artificial para la detección de situaciones anómalas, según la naturaleza del dato y la anomalía.



RHT1: AUTONOMIA Y AUTORREGULACIÓN: gestionar de manera autónoma y autorregulada el esfuerzo y el tiempo necesarios para alcanzar los objetivos y las metas propuestas.

RHT2: COMUNICACIÓN Y PLURILINGÜISMO: Comprender conceptos e ideas y expresarlas claramente de forma oral y escrita, teniendo en cuenta estructuras y normas en la comunicación escrita especializada para la elaboración de documentos académicos y/o científicos.

Convocatoria ordinaria: orientaciones y renuncia

La evaluación de la asignatura en la convocatoria ORDINARIA se realiza mediante evaluación continua.



* EVALUACIÓN MEDIANTE EVALUACIÓN CONTINUA:

La evaluación continua se realizará mediante la entrega de trabajos acompañados de informes:

- Trabajos prácticos (resolución de problemas, diseño de proyectos): 75 %

- Informe del trabajo: 25 %



* CALIFICACIÓN EN ACTAS:

La entrega de todos los trabajos y sus respectivos informes es necesaria. La calificación mínima para aprobar es de un 5.





* CASOS DE COPIA/PLAGIO Se aplicará el artículo 11 de la normativa vigente referente a la evaluación del alumnado. Todos los alumnos implicados en casos de copia o plagio suspenderán la convocatoria ordinaria.

Convocatoria extraordinaria: orientaciones y renuncia

La evaluación de la asignatura en la convocatoria EXTRAORDINARIA se realiza mediante evaluación final.

El examen evalúa los conocimientos teóricos y prácticos desarrollados durante el curso.



* CALIFICACIÓN EN ACTAS: Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 puntos sobre 10. Para renunciar al derecho al examen bastará con no presentarse. En este caso, la calificación será "No Presentado".



* CASOS DE COPIA/PLAGIO Se aplicará el artículo 11 de la normativa vigente referente a la evaluación del alumnado. Todos los alumnos implicados en casos de copia o plagio suspenderán la convocatoria extraordinaria.

Temario

1. Detección automática de anomalías

1.1 Definición de situaciones anómalas

1.2 Métricas de error

1.3 Reducción de dimensionalidad

1.4 Uso de herramientas para la detección automática de anomalías

1.5 Detección de anomalías en series temporales



2. Detección visual automática de defectos

2.1 Imágenes como entrada a redes neuronales.

2.2 Uso de herramientas para la detección automática de defectos

Bibliografía

Materiales de uso obligatorio

- Material de la asignatura (Apuntes y Laboratorios).



- Plataforma Virtual eGela de la UPV/EHU para la asignatura.

Bibliografía básica

Beginning Anomaly Detection Using Python-Based Deep Learning: With Keras and PyTorch. Sridhar Alla, Suman Kalyan Adari. Apress 2019. 978-1484251768.

Mastering Computer Vision with TensorFlow 2.x: Build advanced computer vision applications using machine learning and deep learning techniques. Krishnendu Kar. Pakt Publishing 2020.

Bibliografía de profundización

Deep Learning in Computer Vision: Principles and Applications (Digital Imaging and Computer Vision). Mahmo Hassaballah, Ali Ismail Awad. CRC Press 2020.