El OCR basado en IA lee códigos complejos y difíciles en cualquier condición

A diferencia de los sistemas de visión artificial tradicionales que funcionan bien con fuentes claras y simples contra fondos uniformes, las herramientas de OCR Deep Learning se destacan en el manejo de fuentes deformadas o de bajo contraste. Brillan donde los sistemas tradicionales tienen dificultades, haciéndolos ideales para fabricantes que lidian con fondos complejos o fuentes impredecibles específicos para la aplicación.

Exploremos cómo el software basado en Deep Learning ofrece una alternativa fácil y exacta para estas complejas aplicaciones de inspección de OCR/OCV.

Las producciones automotrices y los proveedores de piezas utilizan números de serie para dar seguimiento a piezas de alto valor en la cadena de suministros y asegurarse de que se coloquen en los conjuntos correctos. Muchas piezas cuentan con números de serie grabados por puntos de diez dígitos para que, en caso de presentarse problemas durante las pruebas, se pueda encontrar la fuente.

En caso de un retiro del mercado, las partes afectadas pueden ser retiradas rápidamente del mercado. Sin embargo, estos códigos a menudo se deforman durante procesos como el lijado y moldeado, lo que provoca desafíos para el reconocimiento óptico de caracteres convencional. Por ejemplo, las superficies metálicas brillantes a veces pueden confundir la cámara en un sistema de inspección automatizado. Cuando los números de serie grabados con puntos se deforman gravemente y son ilegibles, se ralentizan los procesos de OCR y OCV y se pone en peligro la trazabilidad efectiva.

Las herramientas de reconocimiento óptico de caracteres de Deep Learning superan esto usando de bibliotecas previamente capacitadas que identifican con precisión incluso los caracteres más deformados. Entrenar una biblioteca de varias fuentes es rápido y no requiere un experto en visión avanzado. Deep Learning de Cognex solo requiere ajustes específicos para la aplicación. En lugar de entrenar un algoritmo para identificar el carácter o número individual de cada código, un ingeniero de entrenamiento (no un experto en visión) simplemente define la región de interés (normalmente el área con los caracteres mal leídos), establece el tamaño del carácter y etiqueta la imagen. Cualquier carácter mal leído o fuente específica de la aplicación se puede reentrenar en piso de la planta.

Reconocimiento óptico de caracteres de Deep Learning para la industria electrónica

Los códigos grabados con láser en los componentes electrónicos, como los paquetes de circuitos integrados (IC) y los marcos del contacto son características esenciales para todos los fabricantes de hardware electrónico. Estos códigos de barras y números de serie contienen información sobre cuándo y dónde se fabricaron las piezas, sus números de lote e información de pruebas. También pueden codificar información sobre la temperatura de soldadura y densidad de flujo: información fundamental a medida que los componentes se montan en chips y se arman en módulos.

Estos códigos se leen en cada etapa del valor añadido hasta el ensamblaje final y la prueba del dispositivo para asegurar que el hardware está ensamblado correctamente y contiene los componentes correctos. Debido al pequeño tamaño de la mayoría de los semiconductores y los límites de espacio en una PCB, el sistema de identificación de los fabricantes debe ser robusto para mantener la producción a toda velocidad y hacer un seguimiento de los componentes de alto valor. Esto es cierto para los fabricantes de dispositivos terminados que habitualmente deben leer códigos de grabado con láser en los lados de los cabezales deslizantes, que pueden ser tan pequeños como 1.1 mm x 1.4 mm. Los códigos de marcado con láser pueden degradarse durante la producción y volverse difíciles de leer.

En estas situaciones, la tecnología OCR/OCV basada en Deep Learning ofrece una solución lista para usar que permite omitir horas de capacitación gracias a una biblioteca de varias fuentes previamente capacitada. Los beneficios en la productividad son inmediatos, ya que disminuyen los problemas de lectura y se maximiza el tiempo en uso de la máquina.

OCR de Deep Learning para la industria del empacado

Los fabricantes deben contar con sistemas para reconocer y verificar el rastro de información que sigue a cada producto empacado a través de la cadena de suministro. Para garantizar la rastreabilidad del embalaje completo, los fabricantes de alimentos y bebidas así como de productos de consumo suelen enfrentarse a códigos desafiantes.

Los sospechosos de siempre son caracteres de bajo contraste impresos en códigos de empacado basados en etiquetas o caracteres repujados y deformados en piezas moldeadas por inyección, como la tapa de una botella. Los códigos pueden utilizarse para hacer coincidir los envases de varias partes o, habitualmente, contienen códigos de fecha/lote que incorporan información sobre el contenido, el origen y la fecha de fabricación. En estos casos, los fabricantes utilizan equipamiento de OCR/OCV para ubicar rápidamente los productos y sacarlos de la producción o los comercios. La tecnología de OCR/OCV tradicional necesita de entrenamiento previo para aprender diferentes fuentes y puede tener problemas para decodificar caracteres con mal contraste.

La tecnología de OCR/OCV basada en Deep Learning es capaz de leer automáticamente letras y números con mal contraste. Al adoptar la tecnología basada en Deep Learning, los fabricantes pueden asegurarse de que los alimentos se mantengan actualizados, cumplan con las leyes de rastreabilidad y faciliten el retiro con poco impacto en la producción.

OCR de Deep Learning para la industria de ciencias biológicas

Un OCR y OCV efectivos son importantes para la industria de las ciencias biológicas que tiene leyes de seguimiento y rastreo estrictamente reguladas. Para mantenerse en cumplimiento normativo, los fabricantes y los hospitales necesitan escanear los códigos en los dispositivos médicos, las herramientas quirúrgicas y las pulseras de identificación de pacientes hospitalizados en cada punto de su utilización y manejo. Esto les permite identificar fácilmente los dispositivos y productos farmacéuticos a lo largo de la cadena de suministro en caso de un evento de seguridad.

Con tanto equipo y productos que administrar, los códigos pueden deformarse y distorsionarse. La calidad de las imágenes puede no ser óptima, lo que cambia la apariencia del código para la cámara. En lugar de invertir tiempo en entrenar un sistema de visión artificial para reconocer fuentes, la industria de las ciencias biológicas está recurriendo a un software de análisis de imágenes basado en aprendizaje profundo.

Las herramientas de OCR basadas en Deep Learning son efectivos y fáciles de implementar en códigos impresos en sustratos difíciles y propensos a la deformación, como los códigos en impresión por puntos sobre piezas metálicas, caracteres repujados en productos moldeados por inyección, códigos basados en etiquetas en embalaje y códigos grabados con láser en componentes electrónicos. La tecnología OCR/OCV de aprendizaje profundo de Cognex reconoce la mayoría de los textos alfanuméricos de forma inmediata y solo requiere un breve entrenamiento inicial para establecer la región de interés y el tamaño del carácter. El sistema puede reentrenarse rápidamente en caso de leer mal los caracteres en el piso de planta para que los fabricantes no pierdan tiempo.

Para descubrir cómo Deep Learning está revolucionando las aplicaciones de automatización industrial como OCR y OCV, descargue el documento técnico gratuito IA para automatización industrial.