La revolución del Deep Learning y sus aplicaciones en la Industria 4.0

La inteligencia artificial y concretamente el Deep Learning continúa siendo uno de los desarrollos más importantes en visión artificial de los últimos años.

Mediante el uso de redes neuronales artificiales que imitan la forma en que funciona el cerebro humano para el reconocimiento y la toma de decisiones, el Deep Learning optimiza la inspección de calidad en entornos de fabricación al abordar problemas que son difíciles o imposibles de manejar con algoritmos convencionales de visión artificial basados en reglas.

El Deep Learning es muy útil en la clasificación de objetos, la detección y segmentación de defectos. Se ha implementado en muchas industrias, incluidas la automotriz, aeroespacial, logística, farmacéutica, semiconductores y tráfico.

También es especialmente efectivo en sectores como la alimentación y la agricultura, ya que los productos orgánicos tienen muchas variaciones naturales que deben tenerse en cuenta al evaluar posibles defectos y problemas de clasificación. El Deep Learning es ahora más fácil de usar y más práctico que nunca y, junto con otras tecnologías de visión, abre nuevas áreas de aplicación, lo que hace que la inclusión de la inspección por visión como parte de la Industria 4.0 sea aún más beneficiosa.

Capacidades del Deep Learning

La implementación de un sistema de Deep Learning implica entrenar una red neuronal con un conjunto de imágenes etiquetadas para indicar diferentes objetos y/o defectos de modo que el sistema aprenda a identificarlos.

La imagen inferior muestra una serie de imágenes de cepillos de dientes etiquetadas para el entrenamiento. Luego, el sistema entrenado se usa para evaluar las imágenes de salida de la aplicación real.

Estos resultados se pueden vincular a un sistema de control de calidad, además de proporcionar datos estadísticos valiosos para ayudar a evaluar la causa de cualquier problema a fin de optimizar el proceso y reducir rechazos.

Clasificar elementos por categorías es una capacidad importante que nos proporciona el Deep Learning. Algunos clasificadores simplemente arrojan una decisión de sí/no, mientras que otros pueden ofrecer varias clasificaciones.

Las aplicaciones incluyen identificación de defectos, reconocimiento de caracteres, detección de presencia, clasificación de alimentos, etc. La imagen siguiente muestra la detección de un defecto en un tornillo de metal utilizando un clasificador.

La detección de anomalías (anomaly detection) es una técnica novedosa que actúa como un clasificador de «sí/no». Tiene la ventaja de que solo necesita imágenes «buenas» para el entrenamiento y luego, si detecta alguna diferencia en las imágenes de inspección, se marcan como muestras «malas».

La detección de anomalías se puede utilizar en cualquier aplicación que implique la identificación de defectos en una superficie o escena. Para localizar uno o más objetos de interés en una imagen, se pueden utilizar métodos de detección de objetos, que combinan tanto la localización como la clasificación en una sola operación.

La técnica puede resolver problemas como detección de presencia, seguimiento de objetos, localización y clasificación de defectos, etc.

Otro componente muy importante es la segmentación de imágenes que se utiliza para la clasificación/calificación de defectos, la clasificación de alimentos, el análisis de formas, etc. El proceso simplifica el análisis al dividir la imagen de entrada en grupos segmentados de píxeles que representan objetos o partes de objetos en lugar de tener que considerar píxeles individuales.

Las aplicaciones del Deep Learning en el mundo real incluyen la detección de defectos superficiales y estéticos complejos, como rayones y abolladuras en piezas torneadas, cepilladas o brillantes. Los defectos también se pueden detectar en tejidos, píldoras o en superficies de contacto de semiconductores.

El Deep Learning también se puede emplear para aplicaciones de OCR (incluso cuando la impresión está distorsionada), incluida la lectura de matrículas de vehículos. También es ideal para reconocer y clasificar características en frutas, vegetales y plantas, tanto para procesamiento como para cosecha mecanizada. En logística se puede utilizar para identificar estantes de almacén vacíos.

Deep Learning y visión 3D

Las imágenes 3D han sido otra área importante de crecimiento en las aplicaciones de visión artificial, particularmente en robots guiados por visión, con una interfaz directa entre robots y cámaras 3D que ahora permite que sus sistemas de coordenadas coincidan sin necesidad de un PC.

La conexión en red de varias cámaras 3D en un sistema de coordenadas común con los resultados de sensores individuales combinados en una sola nube de puntos 3D de alta densidad nos permite la inspección 3D de objetos más grandes.

Incluso es posible vincular perfilómetros láser 3D con diferentes resoluciones en un sistema de coordenadas combinado para permitir la inspección simultánea de diferentes regiones del mismo componente en diferentes resoluciones.

Los métodos de Deep Learning también se implementan en aplicaciones de imágenes 3D en un enfoque similar al utilizado para imágenes 2D. Las redes neuronales estándar se entrenan con conjuntos de imágenes 3D para la clasificación de objetos o la detección y segmentación de defectos, incluida la detección de anomalías, antes de usarse en imágenes reales.

Si quieres saber más sobre Deep Learning en la Industria, te sugerimos ver este webinar