La cuarta revolución industrial ha promovido de manera significativa la Inteligencia Artificial (IA) donde cada día se hace uso del Machine Learning (ML), conferiéndole un papel fundamental en la solución de desafíos inherentes a la fabricación, como el mejoramiento, optimización de la calidad de los procesos. El presente trabajo se ha concebido con la finalidad de subrayar la importancia y la utilidad del ML como una herramienta clave en este contexto, dividiendo el estudio en dos partes: el estado presente del ML y las principales técnicas empleadas. Se examinaron detalladamente 54 casos en los cuales se aplicaron algoritmos de ML referidos a la ingeniería industrial. Los estudios revelan que la implementación de técnicas de ML arrojan resultados notables en términos de precisión y confiabilidad, especialmente en áreas críticas como el análisis de fallos, predicción de defectos y la optimización de sistemas. Estas técnicas han demostrado ser sumamente eficaces para abordar estos desafíos, destacando así la relevancia y el potencial del ML en la industria contemporánea.

La seguridad es una prioridad en la gestión y parte de esto es el control y monitoreo para detectar situaciones que agredan el bien público o privado. En este sentido el reconocimiento de matrículas de auto se suma a estos sistemas de monitoreo y control. Este trabajo de investigación aplicó una serie de algoritmos de inteligencia artificial para automatizar dicha detección. En este sentido se utilizó funciones de procesamiento de imágenes con el framework OpenCV considerando que las fuentes de información pudieron tener distitnos escenarios, siendo que el ambiente de detección es abierto y expuesto a las condiciones meteorológicas de la zona. Las tomas de fotos se realizaron en un ambiente ubicado al sur peruano, cuyas condiciones fueron de lluvia, día soleado, día que cayó el granizo. La base de datos de las imágenes entonces se dividió en dos categorías; ambientes controlados donde se consideró una misma distancia, un solo ángulo, pero no necesariamente un mismo clima; y los ambientes no controlados con diferentes ángulos, diferentes distancias y climas. Al procesamiento de imágenes también se utilizó la transformación morfológica, suavizado gaussiano y umbral gaussiano. Con las imágenes segmentadas y extraídos los dígitos de la matrícula; se comparó 3 algoritmos K-NN, SVM y Tesseract. en cada algoritmo se utilizó sus hiperparámetros para el respectivo reconocimiento de caracteres en las imágenes, se obtuvo los siguientes resultados con imágenes tomadas con distintos ángulos y en distintas luminosidades (ambiente no controlado) donde el mejor Overall accuracy con 86 % y el segundo grupo fueron imágenes tomadas con un ángulo similar y distancias similares (ambiente controlado), obtuvo un Overall accuracy de 95.5 %.