Inspección visual en fabricación mediante inteligencia artificial

La inspección visual mediante visión artificial es una subclase del conjunto de técnicas y fenómenos introducidos bajo el paraguas de la inteligencia artificial. Como su nombre indica, se trata del desarrollo de la capacidad de visión en máquinas, lo que puede considerarse cercano a la percepción humana de analizar objetos mediante visión. Entre sus aplicaciones incluimos la detección de objetos, la clasificación, la transformación, el procesamiento de imágenes y videos, todo ello para resolver problemas del mundo real. Uno de nuestros desafíos recientes se basa en la aplicación de esta tecnología.

A continuación describimos dos aplicaciones de inspección visual de calidad en procesos mediante técnicas de visión artificial. Este tipo de aplicaciones pretende reducir el número de operarios que realizan inspecciones visuales para identificar defectos en productos fabricados haciendo su trabajo más fácil y rápido.

1. Inspección visual de la calidad de las baldosas cerámicas

Las empresas de materiales de construcción, entre las que se encuentran los fabricantes de baldosas cerámicas, necesitan realizar inspecciones visuales de sus productos.

Al implementar algoritmos de visión artificial, estos fabricantes pueden ahorrar mucho tiempo y dinero. La precisión y la velocidad proporcionadas por la inspección visual basada en inteligencia artificial no pueden ser igualadas por ninguna otra técnica.

Estas inspecciones identifican defectos como protuberancias, depresiones, tonos de color o líneas indeseadas. Además las imágenes del sistema de visión permiten a los ingenieros de automatización ajustar más la detección de defectos estéticos aceptables o inaceptables.

Requiere bastante tiempo formular reglas para considerar todos los posibles defectos visuales que podrían presentarse durante una inspección automática:

• Es necesario identificar cualquier tipo de defecto, para determinar sus patrones, colores, texturas y eventualmente sus valores, grados, usabilidad y precios de venta.
• No toda imperfección causada por defectos o irregularidades en el color es motivo de rechazo. Algunos están dentro del rango aceptable.
• Es mejor si los defectos se detectan antes que la arcilla seque, el material se puede reciclar, y se elimina el desperdicio.

Al igual que un automóvil con conducción autónoma incorpora distintos sensores (cámaras, radar, sensores ultrasónicos) para interpretar la realidad a través del tratamiento de las imágenes proporcionadas, combinando esta información, es posible utilizar distintos sensores y tecnologías para automatizar el control de calidad de baldosas cerámicas:

a. Cámaras de imagen y OpenVINO

Para resolver estos desafíos de inspección, se pueden implementar algoritmos de inspección visual combinados con una cámara de escaneo en línea e iluminación LED.

El hardware debe estar a la altura:

• CPU de alto rendimiento para permitir la inspección de azulejos a una velocidad de hasta 30,000 piezas/hora.
• Amplia interfaz de E/S con soporte para múltiples cámaras a una resolución de imagen al menos de 3840 x 2160
• Rápida interfaz GbE para una rápida conexión en red.

En cuanto al software, hay varias herramientas y algoritmos disponibles, como:

• El kit de herramientas de aprendizaje profundo integrado de Inferencia Visual Abierta y Optimización de Redes Neuronales, OpenVINO de Intel junto con las VPU Myriad X para el procesamiento de visión, que ofrece una integración perfecta de software/hardware con el motor Intel Movidius, e incluye optimizador de modelos, el motor de inferencia, modelos pre entrenados, bibliotecas de visión artificial, ejemplos de código y otras herramientas, o

El sistema VisionPro Deep Learning de Cognex, una solución propietaria de aprendizaje profundo, que identifica múltiples defectos estéticos en la placa original en función de una pequeña muestra de alrededor de 100 imágenes aprobadas. Inspeccionar un material de 200 x 32 cm toma unos dos segundos.

b. Rayos X y Detectron2

Otra posibilidad es utilizar rayos x. Las limitaciones en la resolución y la nitidez de los límites y las interfaces en las imágenes reconstruidas a partir de los datos recopilados mediante tomografía computarizada (TC) de rayos X dificultan la extracción y segmentación de las características de interés. 

Para evitarlo, se emplea el módulo Faster RCNN del algoritmo de detección de objetos de código abierto Detectron2 desarrollado por el equipo de inteligencia artificial de Facebook. Este enfoque emplea múltiples redes neuronales convolucionales configuradas en serie para la detección de objetos en tiempo real para identificar las posiciones de los defectos (como grietas) en cortes bidimensionales del conjunto de datos de tomografía tridimensional, capaz de producir resultados de detección con una precisión superior al 85%.

Para entrenar el algoritmo de detección, el usuario debe incorporar manualmente varias imágenes para usar en los procesos de entrenamiento.

c. Radiación espectral de bajo coste

Otra posibilidad más novedosa, es la implantación de cámaras de terahercios, que emiten una radiación no ionizante, inocua, y permite traspasar las piezas cerámicas y poder medir su densidad aparente permite la inspección de las baldosas, para que se pueda mantener la misma densidad en todas las piezas, logrando una alta calidad de producción y una importante reducción de costes.

Además, la aplicación de estos sensores ópticos avanzados ha demostrado que también pueden servir para advertir la presencia y concentración de las tintas aplicadas en la decoración de las baldosas, sin necesidad de esperar a la cocción del material. Por tanto, pueden utilizarse para detectar fallos en la decoración de las piezas y optimizar el proceso de impresión.

2. Inspección visual de la calidad de la fruta

La apariencia y madurez son factores clave para la comercialización de frutas. Estos factores pueden determinarse mediante características como son el color, el tamaño, el peso, la textura y la forma. De esta manera los productores o distribuidores pueden diferenciar las frutas y clasificarlas en calidades estándar o baja.

Si bien hace años se aplicaban métodos de control de calidad basados en procesos de evaluación sensorial, los métodos más modernos se basan en espectroscopía, quimiometría y visión artificial.

La visión artificial sirve en este sector para la inspección de la calidad de la fruta, utilizando imágenes y aplicando técnicas de clasificación y detección.

El procesamiento y análisis de imágenes es complejo ya que la fruta, a diferencia de productos manufacturados, puede presentar un color, tamaño y forma heterogénea y compleja, aunque haya sido recolectada ese mismo día y del mismo árbol. 

Una buena captura facilita enormemente el análisis posterior. La calidad de las imágenes es por tanto clave y está muy relacionada con el sistema de captura que se emplee, la cámara y la iluminación:

• Las cámaras traducen las imágenes en información digital mediante un número mayor o menor de fotosensores (píxeles) dependiendo de la resolución de la cámara. Las cámaras matriciales son las más extendidas y capturan una imagen mediante un circuito integrado CCD. Las cámaras de color pueden ser construidas con sensores sensibles a las bandas primarias (RGB) y su combinación genera las imágenes en color.
• La iluminación se debe montar dependiendo de la aplicación y la geometría del objeto a inspeccionar, proporcionando una radiación uniforme en toda la escena, y evitando brillos o sombras.  Si la escena no está iluminada de forma adecuada, aumentará la incertidumbre y el error en la extracción de parámetros.

También se usan filtros polarizadores para evitar brillos y reflejos indeseados cuando no se puede lograr directamente con el sistema de iluminación. 

El análisis de las imágenes permite clasificar y determinar la calidad de la fruta:

• Para clasificarla se aplican métodos de aprendizaje profundo como SVM y árboles de decisión.
• Para determinar la calidad de una fruta, se requiere una información muy específica como el color y la forma en un punto específico.

Para garantizar el análisis, cada píxel de la fruta se trata por separado utilizando una técnica de segmentación de instancias como la máscara R-CNN. Esta máscara toma una imagen como entrada y devuelve solo los píxeles específicos necesarios para el proceso de inspección.

La segmentación de instancias se puede hacer usando la herramienta "labelme", que brinda la posibilidad de etiquetar los píxeles específicos en las imágenes. El modelo entrenado puede determinar los píxeles anormales que pueden conducir a la detección de la fruta podrida, no fresca o, en general, de calidad inferior a la normal.

La implementación de este sistema automatizará el proceso de control de calidad con una precisión del 85-90% dependiendo de la calidad del conjunto de datos.

A mayor número de parámetros de imágenes usados se obtendrá un mejor resultado. Se han llegado a informar hasta 1500 características de las imágenes, logrando tasas de éxito de más del 95%.

El uso generalizado de imágenes hiperespectrales, de ultrasonido y de rayos X para la evaluación de la calidad tanto interna como externa, son tendencias tecnológicas que también se están implementando.

También hay apps para smartphones que utilizan la cámara junto con un sensor portátil (un espectrómetro), para realizar el monitoreo con imágenes fotográficas convencionales y posteriormente enviar la información a la nube (como el brix de la fruta, la acidez, firmeza, color, tamaño) donde un algoritmo compara las mediciones con las miles de muestras de la base de datos, devolviendo información clara como calidad, frescura y madurez.

APP AclaroMeter

En ennomotive, estamos intentando resolver un nuevo reto sobre la inspección visual de tejidos de cuero para el interior del automóvil. ¿Crees que las soluciones usadas en el sector hortofrutícola o en el cerámico podrían ser utilizadas? ¿Qué solución completa plantearías para la inspección de cuero? ¿Qué sistema de captura de imágenes, iluminación y algoritmos de análisis utilizarías?

Si está interesado en publicar, descubrir o participar en nuevos desafíos de ingeniería, regístrate en nuestra web.