Visión por computadora para la inspección de calidad

Visión humana vs visión por computadora

La visión por computadora y la humana funcionan de manera “similar”. Ambas obtienen información de una imagen, pero con algunas diferencias. Veamos cuáles son:

• Visión humana: los ojos son expertos en captar imágenes; después, el cerebro nos permite conceptualizar, ordenando las fallas sutiles relacionadas con lo funcional. Gracias a todas las asociaciones aprendidas, definimos cuando un producto aprueba o no una evaluación.

• Visión por computadora: en producción, los sistemas basados en visión artificial tienen una gran ventaja en la inspección de grandes volúmenes, como es la verificación de líneas de producción enteras. Cientos o miles de piezas pueden ser observadas en poco tiempo, de forma continua y con resultados consistentes durante toda comprobación.

Una vez establecidas las características que diferencian a una de la otra, es momento de descubrir cómo funciona la visión por computadora para el control de calidad en fábricas, líneas de producción o maquinaria.  

Visión por computadora para detección de defectos en la manufactura

La visión por computadora es una herramienta que complementa muy bien otros métodos de revisión. Por ejemplo, aun contando con personal altamente capacitado o programas para el control de calidad, su implementación puede ser una mejora significativa. 

Una empresa puede obtener diversos beneficios de la visión por computadora en varios niveles. Algunos son los siguientes:  

1. Automatización: reducción de mano obra en la corrección unitaria de cada producto que pasa por la línea de producción, aprovechando ese talento en otras áreas.

2. Ahorro para la empresa: al identificar y corregir problemáticas se reduce la cantidad de productos defectuosos que salen al mercado, contribuyendo al ahorro de recursos.

3. Rentabilidad a largo plazo: la inversión inicial suele percibir un retorno relevante, ya que además de prevenir costos adicionales, también garantiza la calidad del producto y la reputación de marca. 

4. Inspecciones objetivas: debido a que el entrenamiento de algoritmos se hace bajo criterios preseleccionados, las anomalías se pueden clasificar sin problemas, ayudando a las tareas del personal de control. 

5. Flexibilidad de los procesos: es importante mantener actualizada la tecnología empleada en la producción; la visión por computadora puede adaptarse a diferentes entornos y necesidades para cumplir este propósito. 

Aplicaciones de la visión por computadora

La CV (visión por computadora por sus siglas en inglés) para el control de calidad es versátil y de gran utilidad en distintos ámbitos e industrias. Este es un pequeño desglose: 

1. Alimentaria: cataloga de manera objetiva y numerada los objetos, según su forma, color y propiedades, con ayuda de una imagen digital.
2. Automotriz: la incorporación de los sistemas robóticos ha optimizado el ensamblaje de piezas, gracias a su reconocimiento.
3. Logística: para los procesos repetitivos en las actividades de empaquetado, picking o inspección de calidad, resulta de gran utilidad.
4. Seguridad: la visión por computadora es una gran alternativa para el control de la entrada y salida de personas a un inmueble.

En la inspección de operaciones y su calidad, destacan las siguientes funcionalidades:

• Verificación de equipo para la protección personal en ambientes peligrosos  - Reconocimiento facial de personal 
• Detección de objetos en ambientes industriales 
• Identificación de imperfecciones  
• Inspección geométrica 
• Revisión de acabado superficial, de color y textura del producto

Constitución de un sistema de Visón por Computadora (CV)

Un sistema de visión por computadora suele estar compuesto por varios elementos interrelacionados que trabajan en conjunto para procesar y comprender la información visual. Su constitución se realiza con una cámara para observar la línea de producción, capturando imágenes que se procesarán después. Estos sistemas funcionan generalmente con redes neuronales que incorporan algoritmos de aprendizaje profundo para ser más precisos, eficientes y reproducibles.

Etapas del control de calidad y detección de defectos con visión por computadora

Un sistema de visión por computadora promueve procedimientos que cumplen con los criterios de control de calidad específicos para cada línea de producción. Su funcionamiento y realización, lo abordaremos por etapas:

1. Captura (digitalización): obtención de imágenes digitales por medio de cámaras industriales desde uno o varios ángulos para capturar todas las características del producto.

2. Procesamiento: las imágenes capturadas y digitalizadas, se analizan generalmente con algoritmos de inteligencia artificial (redes neuronales convolucionales o CNN). Es en esta fase que se localizan las anomalías.

3. Rechazo/Aprobación de la pieza: finalmente, los productos se clasifican en funcionales o no. Si cumplen con los estándares completos, continuarán en la cinta transportadora, si no, se retiran. La comunicación para este proceso se realiza con protocolos de comunicación PLC en la red LAN.

¿Qué es una CNN o Red Neuronal Convolucional?

Las Redes Neuronales Convolucionales pertenecen a las redes profundas y su arquitectura se compone de diferentes capas; entrada, ocultas (que se conforman por capas de convolución y capas de pooling) y densas. Son muy efectivas en el reconocimiento de patrones y datos espaciales, por lo que se asocian al reconocimiento de imágenes.

Se inspiran en el funcionamiento neurológico humano y su tipo específico de red está diseñado para procesar datos con estructuras de cuadrícula (estructura matricial).

Es importante saber que existen diferentes tipos de capas dentro de una red convolucional y revisaremos principalmente tres de manera simplificada:

1. Convolucional: es el bloque principal de este tipo de red, en donde se aplican múltiples filtros a la imagen de entrada para detectar patrones de información, luego, extrae las características propias de cada imagen comprimiéndolas para reducir su tamaño inicial.

2.Pooling: son capas de agrupación y tienen el fin de reducir la dimensionalidad espacial de la representación de características principales de la imagen. Existen dos tipos comunes, max-pooling, que calcula el máximo de elementos, y average-pooling, para la media. Ambas pueden cumplir con la agrupación.

3. Capas totalmente conectadas (densas): cada nodo o neurona, está conectado con los nodos de la capa anterior. Están al final de muchas redes neuronales y es en donde se realizan las funciones de regresión y clasificación.

Una Red Neuronal Convolucionalse alimenta con gigabytes a terabytes de datos para que aprenda por sí sola. Esos datos los proporciona el cliente según sus especificaciones de calidad; con un mayor volumen de información los resultados serán más precisos. Finalmente, para verificar su funcionamiento, requiere de la realización de pruebas.

Las operaciones de convolución son fundamentales en el procesamiento de imágenes, con redes neuronales. Reducen la cantidad de cálculos matemáticos, por lo que el costo computacional es más bajo que el de una red neuronal densa.

Esta reducción busca patrones en la imagen, creando una matriz más pequeña y se repite en cada filtro de la red hasta obtener un resultado más sencillo de analizar.

Visión por computadora para producciones eficientes

Hemos explorado un panorama en el que los sistemas basados en visión artificial representan un logro significativo para toda la industria. Con ayuda de los algoritmos, la inspección alcanza producciones más eficientes y acorde con las necesidades específicas del mercado. Te invitamos a descubrir cómo el procesamiento avanzado de datos puede brindarte el desarrollo ideal para tus planes a corto, mediano y largo plazo con el apoyo de Autmix Data.