¿Cómo toman decisiones los sistemas de visión en función de lo que ven?
Si bien la visión artificial en base a reglas sigue siendo la tecnología predominante, varios tipos de aprendizaje automático alimentado por IA se han vuelto lo suficientemente capaces y flexibles como para asumir el control en muchas aplicaciones.
A menudo, una combinación de aprendizaje automático en base a reglas y alimentado por IA puede proporcionar la solución más eficiente.
Sistemas en base a reglas
La visión artificial tradicional en base a reglas utiliza reglas de probabilidad específicas para tomar decisiones sobre una imagen. “Si la botella se llena al menos hasta este nivel, déjela pasar”. Los ingenieros de visión programan las reglas con un profundo conocimiento de la mejor combinación de técnicas para obtener el resultado deseado.
Las reglas se utilizan para crear programas que abordan trabajos específicos como detectar el borde entre áreas claras y oscuras o medir la distancia entre dos puntos.
Estas reglas pueden utilizarse una tras otra en una imagen, en lo que se denomina “encadenamiento de herramientas” para realizar una amplia variedad de tareas complejas. También son muy buenas en inspecciones de alta velocidad y alta precisión en productos o piezas que son predecibles y consistentes.
Deep Learning
Deep Learning utiliza la IA para potenciar los sistemas de visión artificial usando ejemplos para entrenar el software con imágenes etiquetadas hasta que pueda hacer distinciones por sí solo.
Este entrenamiento imita cómo aprenden los seres humanos, ayudando al sistema a aprender cómo tomar decisiones precisas sin verse afectados por variaciones irrelevantes.
Los operadores capacitan sistemas de Deep Learning con cientos de imágenes etiquetadas, como una variedad de posibles defectos en una pieza fabricada o varios montajes diferentes que deben clasificarse.
Una mejora importante con respecto a los sistemas en base a reglas es que los sistemas de Deep Learning aprenden a distinguir entre una amplia variedad de defectos reales y variaciones meramente estéticas sin necesidad de mostrar todos los resultados posibles, algo que consume mucho tiempo o incluso es imposible de lograr usando la programación en base a reglas.
A diferencia de los sistemas en base a reglas, los sistemas de Deep Learning no requieren programadores de visión artificial experimentados ni experiencia para configurarlos. Necesitan a alguien con buen conocimiento de los productos que se inspeccionan para proporcionar cientos de imágenes de componentes defectuosos y buenos.
El Deep Learning sobresale en la verificación del montaje, detección de defectos y clasificación de piezas complejas que varían impredeciblemente. También es bueno para proporcionar resultados exactos incluso cuando las piezas son reflectantes o las imágenes están distorsionadas.
Edge Learning
Edge Learning es otro tipo de IA, optimizado para satisfacer las necesidades de la automatización industrial. Viene previamente capacitado para resolver los tipos de problemas que generalmente enfrenta la automatización industrial.
Como resultado del preentrenamiento, un sistema de Edge Learning puede ser capacitado en un problema de inspección industrial específico con tan solo cinco imágenes, haciendo que su implementación sea aún más fácil y más rápida que un sistema de Deep Learning.
Edge Learning permite a los ingenieros de línea implementar rápidamente una clasificación optimizada o una función de detección de defectos en su línea sin capacitación especializada. Debido a que no requiere un procesador complejo, puede implementarse rápidamente en donde sea necesario.
Las ventajas de Edge Learning radican en su velocidad, baja dependencia de recursos de computación y flexibilidad, así como su facilidad de uso.
Comparación de sistemas en base a reglas y alimentados por IA
La decisión entre los sistemas de aprendizaje en base a reglas, Deep Learning y Edge Learning se reduce principalmente al tipo de aplicación que Ud. está implementando.
- Las herramientas de visión en base a reglas son efectivas en distintas tareas especializadas con objetivos muy consistentes como ubicación, medición y orientación.
- Edge Learning se destaca en tareas repetibles con objetivos moderadamente consistentes.
- Deep Learning brilla cuando se buscan defectos complejos o se analizan imágenes con variación significativa.