Conclusiones clave
Las herramientas de inspección de Deep Learning optimizan tareas complejas como la detección de defectos, verificación del montaje y lectura de textos al aprender de imágenes y mejorar con el tiempo. Aportan adaptabilidad a las líneas de fabricación, manejan desafíos que los sistemas tradicionales o los inspectores humanos no pueden manejar fácilmente.
Mantener una calidad constante en la producción automotriz puede ser un desafío, especialmente debido a los defectos impredecibles que pueden surgir. Los sistemas de inspección de Deep Learning utilizan cámaras digitales y algoritmos de reconocimiento de imágenes para aprender a detectar un amplio espectro de problemas como óxido, decoloración y daños. Cuando se desarrollan adecuadamente, las aplicaciones de aprendizaje profundo reducen los errores y mejoran la calidad del producto.
En una aplicación de inspección, la visión artificial y Deep Learning trabajan juntos de la siguiente manera:
- Los desarrolladores crean un conjunto de imágenes de entrenamiento de buenos productos para establecer la apariencia “correcta” del producto.
- Los desarrolladores agregan imágenes de defectos para encontrar las anomalías e imperfecciones más comunes.
- Las cámaras de visión artificial toman fotos de los elementos en una línea de fabricación. La aplicación de aprendizaje automático compara estas nuevas imágenes con las imágenes de entrenamiento para detectar defectos.
- Debido a que la aplicación está optimizada para buscar el éxito y evitar el fracaso, se enseña a sí misma a ser más precisa con el paso del tiempo.
El software para desarrollar aplicaciones de aprendizaje profundo debe contar con cuatro capacidades fundamentales:
1. Ubicación de características y verificación del montaje
Encontrar defectos no es el único rol de la visión artificial y el software de aprendizaje profundo. También puede utilizar imágenes de entrenamiento y algoritmos de aprendizaje para ubicar componentes, lo que puede ayudar en tareas como la instrucción de un brazo robótico para alinear los componentes. Esto es importante para productos de alta precisión como semiconductores, teléfonos inteligentes y productos farmacéuticos.
Estas aplicaciones también pueden escanear el número de productos en una ubicación. Luego, puede decirle a un robot que siga agregando más de los mismos productos hasta que un estante o caja estén llenos. También pueden contar los componentes en un embalaje para garantizar que no se haya quedado nada fuera.
Las mejores herramientas de ubicación y verificación funcionan en una amplia variedad de iluminaciones y superficies que confunden a los sistemas de visión en base a reglas y al personal de control de calidad.
2. Detección y segmentación de defectos
La identificación de defectos es la capacidad más buscada para el software de aprendizaje profundo en producción. Mientras que los sistemas de visión artificial se pueden programar para detectar un tipo de defecto, la identificación de varios consume mucho tiempo.
Las herramientas de detección de defectos comienzan con un conjunto de imágenes “buenas” y fotografías de defectos comunes como óxido, abolladuras, rayones y desalineado. Las herramientas de detección de alta calidad también tienen opción de identificar cualquier defecto que difiera de la imagen “buena”. Estas imágenes de resultados de producción raros ayudan a que la herramienta se enseñe a sí misma a mejorar su precisión.
La segmentación identifica una sección dentro de una imagen y le indica al software que escanee dicha área en busca de defectos. Esto ayuda a simplificar las aplicaciones de aprendizaje profundo, al filtrar áreas que no son relevantes para al escaneo segmentado.
Más información: Cómo la detección de defectos mediante Deep Learning automatiza las inspecciones en la industria automotriz y otras industrias.
3. Clasificación de objetos y escenas
Clasificar objetos y escenas ayuda a las aplicaciones de aprendizaje profundo a dividir los defectos en clases, lo que ayuda a la capacidad de la aplicación de mejorarse a sí misma sin intervención humana. En general, las imágenes se etiquetan según ciertas características y, luego, se clasifican en función de parámetros. Así, por ejemplo, los productos rayados se pueden canalizar automáticamente a la línea de pintura, mientras que los abollados se pueden enviar al taller metalúrgico.
La clasificación también ordena productos y componentes en función de características comunes como color, textura, material, embalaje y tipo de defecto. Las mejores herramientas de clasificación establecen tolerancias para desviaciones naturales en las sombras, formas o dimensiones y modifican estas tolerancias en función de las necesidades de cada clase.
Leer más: Cómo funciona la herramienta de clasificación de Deep Learning
4. Lectura de textos y caracteres
Leer palabras, números o texto en una superficie (como un bloque de motor o un tubo de cobre) puede ser casi imposible para las personas y los algoritmos de visión artificial estándares. La iluminación puede variar en una línea de fabricación, lo que genera sombras en algunas secciones y brillo en otras, además de variar durante el día dependiendo de los cambios en la iluminación ambiental del piso de planta.
Las aplicaciones de aprendizaje profundo conectan las fuentes y los tipos de letra con las letras de las piezas en producción. Esto hace que sea mucho más fácil leer textos a través de cubiertas plásticas o sobre superficies irregulares, como ropa o herramientas de jardinería. Las herramientas avanzadas de lectura de caracteres van más allá del piso de planta y encuentran un papel en los sistemas de distribución, logística y comercio.
Más información: Lea códigos complejos y desafiantes en cualquier condición mediante el reconocimiento óptico de caracteres basado en Deep Learning
Otras características para buscar en el software de aprendizaje profundo
Además de las cuatro capacidades mencionadas anteriormente, un software de aprendizaje profundo robusto debe:
- Ser fácil de aprender con una interfaz gráfica intuitiva que no necesite de conocimiento técnico avanzado.
- Estar optimizado para entornos de producción con inspección visual, con conjuntos de imágenes más pequeños que necesitan de menor entrenamiento.
- Estar diseñado para PC con Windows con GPU (unidades de procesamiento gráfico).
El aprendizaje profundo de Cognex tiene estas y muchas más características potentes diseñadas para entornos de producción y de fábrica, a diferencia de otros marcos de Deep Learning de código abierto. Combina una biblioteca de herramientas de visión artificial con herramientas avanzadas de Deep Learning dentro de un marco común de desarrollo e implementación.