Soluciones de software para visión artificial

Hoy entrevistamos a Adriano Biocchi, Regional Sales Manager de MVTec Software con motivo del 25º aniversario de esta empresa líder en el mercado del software para visión artificial. MVTec es uno de los principales partners de INFAIMON en el desarrollo de soluciones de software para visión artificial.

INFAIMON – Buenos días Adriano. Para empezar, cuéntanos un poco sobre MVTec y tu labor como Regional Sales Manager. ¿Cómo es tu día a día?

Adriano Biocchi – MVTec desarrolla exclusivamente software para visión artificial desde hace 25 años. Empezó como una spin-off de Munich Technical University y Bavarian Institute for Knowledge-based System (FORWISS). Pese a que ya cuenta con alrededor de 200 empleados, MVTec aún conserva el espíritu original de desarrollar productos innovadores con la tecnología para su uso en todas las aplicaciones del mercado de la visión artificial.

En cuanto a mi día a día, la pandemia nos ha hecho cambiar de hábitos en algunos aspectos. Antes viajaba cada dos semanas para visitar clientes, mientras que ahora suelo realizar más videollamadas. En cualquier caso, lo que más me gusta de mi trabajo es el diálogo con nuestros clientes y las sugerencias que nos dan para mejorar nuestros productos. Sinceramente, me considero afortunado de trabajar en MVTec.

INF – Los productos de software de MVTec ofrecen una serie de funciones y métodos basados en tecnologías como el Deep Learning, por ejemplo. Se habla mucho de Inteligencia Artificial, Machine Learning, Deep Learning… ¿Qué diferencias hay entre estos tres términos?

AB – La Inteligencia Artificial representa la habilidad de una máquina de imitar la inteligencia humana para realizar tareas. Aunque a veces no nos demos cuenta, la Inteligencia Artificial está muy presente en nuestras vidas como, por ejemplo, Siri, los filtros de spam para el correo, las aplicaciones de reconocimiento facial, Google, etc.

El Machine Learning es una rama de la inteligencia artificial que se centra en el uso de datos y algoritmos para mejorar gradualmente su precisión en la resolución de un problema. Es decir, estamos hablando de una metodología mediante la cual la máquina analiza datos, aprende a realizar una tarea a partir de ellos y finalmente hace una predicción sobre algo (como, por ejemplo, reconocer y distinguir entre manzanas y naranjas).

Por su parte, el Deep Learning un subconjunto de Machine Learning en el que se introducen redes neuronales artificiales, inspiradas en la forma en que funcionan por nuestra propia biología y cerebro. El resultado es, en visión artificial, la capacidad de procesar imágenes con un nivel muy alto de precisión”.

INF – ¿Y qué ventajas aporta el procesamiento de imágenes con Deep Learning?

AB – En el caso de ciertas aplicaciones industriales, las soluciones convencionales no funcionan y es necesario aplicar algoritmos de Deep Learning para resolverlas. Por ejemplo, sin Deep Learning es casi imposible para una máquina detectar la presencia o no de ciertos defectos en frutas, por ejemplo, debido su gran variedad y heterogeneidad. Gracias al Deep Learning, la máquina aprende a reconocer los defectos de forma similar al cerebro humano.

Otra ventaja es el tiempo de programación. Con la visión clásica, la creación de reglas y el entrenamiento puede llevar meses, mientras que con un software como HALCON y MERLIC es meramente una cuestión de horas (incluso minutos a veces) dependiendo del grado de dificultad.

INF – ¿Qué papel juega el Big Data en el boom del Deep Learning y sus aplicaciones en visión artificial?

AB – Hace unos 15 años, las GPUs no disponían de suficiente potencia para soportar las exigencias de procesado de las redes neuronales de Deep Learning. Sin embargo, además de la potencia, el entrenamiento de una red neuronal también depende de la recopilación una cantidad enorme de imágenes; por esta razón, el Big Data es fundamental para el desarrollo de aplicaciones con Deep Learning.

No es casualidad que las primeras empresas que empezaron a trabajar sistemáticamente con Deep Learning fueron Google, Facebook y Amazon, ya que no tienen este problema con las imágenes. Como curiosidad, cabe mencionar que el primer algoritmo de Deep Learning para el reconocimiento automático fue desarrollado por Google a partir de millones de vídeos de gatos en YouTube.

En MVTec hemos utilizado una tecnología llamada Transfer Learning que evita que el cliente tenga que invertir tiempo y recursos en recopilar esos millones de imágenes. Ofrecemos una red preentrenada con millones de imágenes a nuestros clientes para que ellos solamente tengan que llevar a cabo un segundo entrenamiento con decenas de imágenes para adaptarlo a su aplicación concreta. Esta es una de las principales ventajas de nuestros softwares HALCON y MERLIC.

INF- ¿Cómo crees que evolucionarán las aplicaciones gracias al Deep Learning en los próximos 5 años?

AB – Hace cinco años, nosotros ya trabajábamos con Deep Learning en aplicaciones de OCR, pero en aquel momento no me habría podido imaginar todas las aplicaciones en las que estamos usando Deep Learning en la actualidad. Nuestro equipo de I+D está en contacto permanente con universidades y centros de investigación para estar al día de los últimos avances tecnológicos y filtrar aquellas que puedan ser útiles en el ámbito industrial. Por eso es tan complicado hacer pronósticos sobre el desarrollo o la implantación de una tecnología concreta en el futuro.

Indudablemente, el Deep Learning va a adquirir una mayor relevancia en futuras aplicaciones. Esta evolución también es evidente en nuestra relación con INFAIMON, ya que al principio colaborábamos anualmente en una o dos aplicaciones con Deep Learning, mientras que ahora trabajamos en más de 50 aplicaciones cada año. Creemos que el Deep Learning es uno de los tres motores que van a ganar más impulso en los próximos años junto con el cloud y la visión embedded.

INF – ¿Qué aplicaciones en las que has trabajado te han parecido más interesantes? ¿Puedes darnos algunos ejemplos?

AB – Como hemos comentado anteriormente, el Deep Learning es una buena solución cuando se trabaja con productos naturales, ya que el producto nunca va a ser el mismo, pero siempre es similar. A veces solamente el cliente es capaz de discernir entre «bueno» y «malo». Este tipo de proyecto es ideal para Deep Learning ya que aumenta no solo la precisión sino también la velocidad de inspección. En otras aplicaciones, por ejemplo en la industria del metal (detección de defectos, arañazos, rayas, etc.), la inspección sin Deep Learning llegaba a una precisión del 95%, mientras que con Deep Learning se alcanzan niveles de precisión del 99%.

INF – La nueva versión de MVTec HALCON 21.11 Progress (y el nuevo MERLIC 5) incluyen muchas características nuevas y mejoradas. ¿Qué sectores crees que se beneficiarán más de estas características?

AB – Tanto HALCON como MERLIC son productos estándar, así que no están focalizados en sectores concretos. La versión de HALCON Progress 21.11 cuenta con la tecnología Instance Segmentation que combina las ventajas de dos tecnologías que ya teníamos antes de esta versión: la segmentación semántica y la detección de objetos. Esta tecnología es ideal para aplicaciones de Bin Picking y para las tareas relacionadas con productos naturales, porque es capaz de identificar con precisión en una imagen dónde está cada píxel y a qué clase pertenece. En el sector logístico, otra característica muy importante es el Barcode Reader 128, un tipo de código de barras que es muy compacto con una alta densidad de datos.

Respecto a MERLIC, el pasado octubre lanzamos MERLIC 5 con muchas características nuevas y un sistema de licencia much más sencillo y flexible. Cabe destacar que MERLIC dispone ahora de dos tecnologías de Deep Learning como son Anomaly Detection y Classification. Son las dos tecnologías más fáciles para trabajar con Deep Learning y que se ajustan a las necesidades del usuario de MERLIC para aplicaciones sencillas que requieren de un desarrollo más rápido. Por cierto, el 7 de abril de este año lanzaremos una nueva release de MERLIC con más novedades.

INF – Comentas que vuestras soluciones son transversales y aplicables a diversos sectores. ¿En cuáles de estos mercados ves un mayor potencial de crecimiento?

AB – Nosotros creemos que el mercado de la electrónica y los semiconductores va a ser muy importante este año, tal y como lo fue en 2021. Otro mercado con mucho potencial es el sector agro. La agricultura es un mercado muy grande a nivel mundial donde la visión artificial aún no está muy implantada. Esperamos que este sector también crezca en los próximos años.

INF – Háblanos un poco más de vuestra relación con INFAIMON. ¿Cuáles dirías que son las ventajas de trabajar con un partner como INFAIMON?

AB – Nuestra colaboración con INFAIMON comenzó en el 2009. Para nosotros es fundamental contar con partners comerciales con un alto grado de conocimiento sobre sistemas de visión artificial: desde las cámaras, pasando por las ópticas y la iluminación, hasta el software. HALCON es un software bastante complejo, así que necesitábamos que nuestro partner fuera capaz de trabajar con ese nivel de complejidad y que contase con una gran cartera de clientes en varios mercados. INFAIMON es una marca muy reconocida que cuenta con un soporte técnico de garantías y un equipo comercial que abarca toda la Península Ibérica, México y Brasil.

INF – Para terminar, ¿tienes alguna anécdota con INFAIMON que te gustaría compartir con nosotros?

AB – Bueno, como soy italiano, la mayoría de mis anécdotas están relacionadas con la comida. Recuerdo una vez que visitamos a un cliente en España con mi compañero alemán y nuestros compañeros de INFAIMON. Cuando la reunión acabó al mediodía, mi compañero alemán pensaba que ya era la hora del almuerzo, pero por desgracia tuve que informarle que en España se come más tarde y que aún teníamos que visitar a otro cliente. Así que mi compañero tuvo que comerse todo el chocolate que llevaba encima y aún así se quedó pasando hambre hasta las 14:30.