Desarrollo de un UGV para la inspección visual de la raíz de soldadura en tuberías de acero al carbono

Abstract

El presente trabajo de investigación tuvo como objetivo desarrollar un Vehículo Terrestre No Tripulado (UGV) equipado con visión artificial para la inspección visual interna de soldaduras en tuberías de acero al carbono de gran diámetro (DN 700 a DN 900). El sistema fue diseñado para superar las limitaciones de acceso en espacios confinados, proporcionar evidencia visual directa y evitar la omisión de defectos críticos en la evaluación de la integridad estructural. Su desarrollo comprendió tres etapas fundamentales: el diseño mecánico del chasis y manipulador robótico, el desarrollo de la arquitectura de software basada en inteligencia artificial, y la integración del hardware de control y potencia. La integridad estructural del prototipo fue validada mediante Análisis de Elementos Finitos (FEA), confirmando factores de seguridad superiores a 3.97 bajo carga operativa. El sistema de percepción visual integró una cámara de alta resolución controlada por un brazo robótico de 4 grados de libertad, cuyo posicionamiento preciso fue gestionado mediante un algoritmo de Lógica Difusa en un microcontrolador ATmega2560, logrando un movimiento libre de oscilaciones. Para la detección automática de fallas, se implementó y entrenó un modelo de red neuronal convolucional YOLOv5s sobre una computadora embebida NVIDIA Jetson Nano. Los resultados de la validación experimental demostraron un desempeño sobresaliente del modelo de visión, logrando una Exactitud (Accuracy) del 91.4% en la identificación de defectos de exceso y falta de penetración según los criterios del estándar 1104 del American Petroleum Institute, consolidando al sistema como una solución tecnológica viable y objetiva para complementar los ensayos no destructivos en el sector industrial.

The objective of this research was to develop an Unmanned Ground Vehicle (UGV) equipped with computer vision for the internal visual inspection of welds in large-diameter carbon steel pipes (DN 700 to DN 900). The system was designed to overcome access limitations in confined spaces, provide direct visual evidence, and prevent the omission of critical defects during structural integrity assessments. Its development consisted of three fundamental stages: the mechanical design of the chassis and robotic manipulator, the development of the artificial intelligence-based software architecture, and the integration of control and power hardware. The structural integrity of the prototype was validated using Finite Element Analysis (FEA), confirming safety factors exceeding 3.97 under operating loads. The visual perception system integrated a high-resolution camera controlled by a 4-degree-of-freedom (4-DOF) robotic arm, with precise positioning managed by a Fuzzy Logic algorithm on an ATmega2560 microcontroller, achieving oscillation-free movement. For automatic defect detection, a YOLOv5s convolutional neural network model was implemented and trained on an NVIDIA Jetson Nano embedded computer. Experimental validation results demonstrated outstanding performance of the vision model, achieving a Global Accuracy of 91.4% in identifying excess and lack of penetration defects according to the American Petroleum Institute (API) Standard 1104 criteria. These results consolidate the system as a viable and objective technological solution to complement non-destructive testing in the industrial sector.