Blogs de Cognex

Cómo el Deep Learning difiere de la visión artificial tradicional

En lo esencial, los sistemas de visión artificial confían en los sensores digitales protegidos dentro de las cámaras industriales con ópticas especializadas para adquirir imágenes. Tales imágenes llegan a la PC de modo que el software especializado pueda procesarlas, analizarlas y medir las diversas características para la toma de decisiones.

Sin embargo, estos sistemas, son muy rígidos y estrechos en su aplicación dentro de un entorno de automatización industrial. Los sistemas de visión artificial tradicional tienen un rendimiento confiable con piezas consistentes y bien fabricadas. Funcionan mediante un filtrado paso a paso y algoritmos basados en reglas que son más rentables que la inspección humana.

En una línea de producción, el sistema de visión artificial basado en reglas puede inspeccionar cientos, o incluso miles, de piezas por minuto. Pero el resultado de tales datos visuales todavía se basa en un enfoque de programación basado en reglas para resolver problemas de inspección, lo que hace que la visión artificial sea buena para:

  • Guiado: Localiza la posición y la orientación de una pieza, la compara con la tolerancia especificada y asegura que se encuentre en el ángulo correcto para verificar su correcto montaje. Puede utilizarse para localizar las características clave de una pieza para otras herramientas de visión artificial.
  • Identificación: Lee códigos de barras (1D), códigos Data Matrix (2D), Marcado Directo de Piezas (DPM) y caracteres impresos sobre piezas, etiquetas y empaques. Además, identifica artículos según el color, la forma o el tamaño.
  • Medición (Gauging): Calcula las distancias entre dos o más puntos o ubicaciones geométricas en un objeto, y determina si estas medidas cumplen con las especificaciones.
  • Inspección: Detecta fallas u otras irregularidades en los productos como etiquetas correctamente pegadas o la presencia de tapas, sellos de seguridad, etc.

El Deep Learning utiliza un enfoque basado en ejemplos en lugar de un enfoque basado en reglas para resolver ciertos desafíos de automatización industrial. Al aprovechar las redes neurales para enseñar a una computadora lo que es una buena imagen (según ejemplos archivados), el Deep Learning podrá analizar defectos, localizar y clasificar objetos, y leer marcas impresas, por ejemplo.

En el mundo real, eso significa que una compañía podría intentar inspeccionar pantallas de dispositivos electrónicos en búsqueda de rayones, astillas u otros defectos. Tales defectos serán todos diferentes en cuanto a tamaño, alcance, ubicación o en pantallas con diferentes fondos. Con el Deep Learning es posible establecer la diferencia entre una pieza buena y una pieza defectuosa, tendiendo en cuentas las variaciones esperadas. Además, entrenar a la red sobre un nuevo objetivo, como un tipo de pantalla diferente, es tan fácil como tomar un conjunto nuevo de fotos de referencia.

teléfono móvil de Deep Learning 

Esto hace que el Deep Learning sea particularmente experto en:

  • Resolver aplicaciones de visión muy difíciles de programar con algoritmos basados en reglas
  • Controlar fondos confusos y variaciones en la apariencia de la pieza
  • Mantener aplicaciones y hacer ajustes con datos de imágenes nuevas en la fábrica
  • Adaptarse a nuevos ejemplos sin reprogramar las redes principales

El Deep Learning se utiliza ahora en aplicaciones en las que la inspección se ha realizado generalmente de forma manual, como el control de montaje final. Estas tareas antes se consideraban demasiado difíciles de automatizar. Con una herramienta como el Deep Learning, tales tareas pueden realizarse ahora con un sistema de visión de forma más coherente, confiable y rápida justo en la línea de producción.

Los humanos son capaces de clasificar diferentes objetos parecidos. En cuestión de segundos, podemos comprender la variación entre un cierto conjunto de objetos. En este sentido, las herramientas de Deep Learning combinan los beneficios de la inteligencia evolutiva de los humanos con la coherencia, repetibilidad y escalabilidad de la visión artificial tradicional basada en reglas.

La comprensión de tales diferencias será clave para cualquier compañía que emprenda un recorrido de automatización industrial, ya que tales diferencias son clave para determinar cuándo tiene sentido aprovechar una u otra tecnología en una aplicación de automatización industrial.

Si bien los sistemas de visión artificial tradicional tienen un rendimiento confiable con piezas consistentes y bien fabricadas, los algoritmos se vuelven difíciles de programar a medida que aumentan las excepciones y las bibliotecas de defectos. En otras palabras, en cierto punto, algunas aplicaciones necesarias para la automatización industrial no obtendrán los mejores resultados al confiar en la visión artificial basada en reglas.

Las texturas de superficies complejas y las variaciones en la apariencia de la pieza presentan serios desafíos de inspección. A los sistemas de visión artificial basados en reglas les cuesta apreciar la variabilidad y desviación entre piezas visualmente similares. Las anomalías “funcionales”, que afectan la utilidad de una pieza, son casi siempre causa de rechazo, mientras que las anomalías cosméticas pueden no serlo, según las necesidades y la preferencia del fabricante. Lo que es más problemático, estos defectos son difíciles de diferenciar para los sistemas de visión artificial tradicionales.

Ciertas inspecciones de visión artificial tradicionales, como la detección de defectos, son notablemente difíciles de programar debido a las múltiples variables que pueden ser difíciles de aislar para una máquina, por ejemplo: iluminación, cambios en el color, curvatura o campo de visión.

Esto no constituye en sí mismo un problema, pero es difícil cuando las compañías intentan resolver aplicaciones con la visión artificial cuando hay más herramientas adecuadas disponibles para ellos. Si bien los sistemas de visión artificial tradicional tienen un rendimiento confiable con piezas consistentes y bien fabricadas, las aplicaciones se vuelven difíciles de programar a medida que aumentan las excepciones y las bibliotecas de defectos. En otras palabras, en cierto punto, algunas aplicaciones necesarias para la automatización industrial no obtendrán los mejores resultados al confiar en la visión artificial basada en reglas.

tabla de Deep Learning

La comprensión de tales diferencias será clave para cualquier compañía que emprenda un recorrido de automatización industrial, ya que tales diferencias son clave para determinar cuándo tiene sentido aprovechar una u otra tecnología en una aplicación de automatización industrial.

Si bien el Deep Learning está transformando la automatización industrial como sabemos, no es más que solo otra herramienta que los empleados pueden utilizar para realizar el trabajo. La visión artificial tradicional basada en reglas es una herramienta eficaz para tipos de trabajo específicos. Y para aquellas situaciones complejas que necesitan visión parecida a la visión humana con la velocidad y confiabilidad de una computadora, el Deep Learning demostrará ser una opción verdaderamente innovadora.

Para más información acerca de las tecnologías de Deep Learning para la fabricación, descargue nuestro documento, Deep Learning versus visión artificial.

Suscribir

Cómo el Deep Learning difiere de la visión artificial tradicional

En lo esencial, los sistemas de visión artificial confían en los sensores digitales protegidos dentro de las cámaras industriales con ópticas especializadas para adquirir imágenes. Tales imágenes llegan a la PC de modo que el software especializado pueda procesarlas, analizarlas y medir las diversas características para la toma de decisiones.

Sin embargo, estos sistemas, son muy rígidos y estrechos en su aplicación dentro de un entorno de automatización industrial. Los sistemas de visión artificial tradicional tienen un rendimiento confiable con piezas consistentes y bien fabricadas. Funcionan mediante un filtrado paso a paso y algoritmos basados en reglas que son más rentables que la inspección humana.

En una línea de producción, el sistema de visión artificial basado en reglas puede inspeccionar cientos, o incluso miles, de piezas por minuto. Pero el resultado de tales datos visuales todavía se basa en un enfoque de programación basado en reglas para resolver problemas de inspección, lo que hace que la visión artificial sea buena para:

  • Guiado: Localiza la posición y la orientación de una pieza, la compara con la tolerancia especificada y asegura que se encuentre en el ángulo correcto para verificar su correcto montaje. Puede utilizarse para localizar las características clave de una pieza para otras herramientas de visión artificial.
  • Identificación: Lee códigos de barras (1D), códigos Data Matrix (2D), Marcado Directo de Piezas (DPM) y caracteres impresos sobre piezas, etiquetas y empaques. Además, identifica artículos según el color, la forma o el tamaño.
  • Medición (Gauging): Calcula las distancias entre dos o más puntos o ubicaciones geométricas en un objeto, y determina si estas medidas cumplen con las especificaciones.
  • Inspección: Detecta fallas u otras irregularidades en los productos como etiquetas correctamente pegadas o la presencia de tapas, sellos de seguridad, etc.

El Deep Learning utiliza un enfoque basado en ejemplos en lugar de un enfoque basado en reglas para resolver ciertos desafíos de automatización industrial. Al aprovechar las redes neurales para enseñar a una computadora lo que es una buena imagen (según ejemplos archivados), el Deep Learning podrá analizar defectos, localizar y clasificar objetos, y leer marcas impresas, por ejemplo.

En el mundo real, eso significa que una compañía podría intentar inspeccionar pantallas de dispositivos electrónicos en búsqueda de rayones, astillas u otros defectos. Tales defectos serán todos diferentes en cuanto a tamaño, alcance, ubicación o en pantallas con diferentes fondos. Con el Deep Learning es posible establecer la diferencia entre una pieza buena y una pieza defectuosa, tendiendo en cuentas las variaciones esperadas. Además, entrenar a la red sobre un nuevo objetivo, como un tipo de pantalla diferente, es tan fácil como tomar un conjunto nuevo de fotos de referencia.

teléfono móvil de Deep Learning 

Esto hace que el Deep Learning sea particularmente experto en:

  • Resolver aplicaciones de visión muy difíciles de programar con algoritmos basados en reglas
  • Controlar fondos confusos y variaciones en la apariencia de la pieza
  • Mantener aplicaciones y hacer ajustes con datos de imágenes nuevas en la fábrica
  • Adaptarse a nuevos ejemplos sin reprogramar las redes principales

El Deep Learning se utiliza ahora en aplicaciones en las que la inspección se ha realizado generalmente de forma manual, como el control de montaje final. Estas tareas antes se consideraban demasiado difíciles de automatizar. Con una herramienta como el Deep Learning, tales tareas pueden realizarse ahora con un sistema de visión de forma más coherente, confiable y rápida justo en la línea de producción.

Los humanos son capaces de clasificar diferentes objetos parecidos. En cuestión de segundos, podemos comprender la variación entre un cierto conjunto de objetos. En este sentido, las herramientas de Deep Learning combinan los beneficios de la inteligencia evolutiva de los humanos con la coherencia, repetibilidad y escalabilidad de la visión artificial tradicional basada en reglas.

La comprensión de tales diferencias será clave para cualquier compañía que emprenda un recorrido de automatización industrial, ya que tales diferencias son clave para determinar cuándo tiene sentido aprovechar una u otra tecnología en una aplicación de automatización industrial.

Si bien los sistemas de visión artificial tradicional tienen un rendimiento confiable con piezas consistentes y bien fabricadas, los algoritmos se vuelven difíciles de programar a medida que aumentan las excepciones y las bibliotecas de defectos. En otras palabras, en cierto punto, algunas aplicaciones necesarias para la automatización industrial no obtendrán los mejores resultados al confiar en la visión artificial basada en reglas.

Las texturas de superficies complejas y las variaciones en la apariencia de la pieza presentan serios desafíos de inspección. A los sistemas de visión artificial basados en reglas les cuesta apreciar la variabilidad y desviación entre piezas visualmente similares. Las anomalías “funcionales”, que afectan la utilidad de una pieza, son casi siempre causa de rechazo, mientras que las anomalías cosméticas pueden no serlo, según las necesidades y la preferencia del fabricante. Lo que es más problemático, estos defectos son difíciles de diferenciar para los sistemas de visión artificial tradicionales.

Ciertas inspecciones de visión artificial tradicionales, como la detección de defectos, son notablemente difíciles de programar debido a las múltiples variables que pueden ser difíciles de aislar para una máquina, por ejemplo: iluminación, cambios en el color, curvatura o campo de visión.

Esto no constituye en sí mismo un problema, pero es difícil cuando las compañías intentan resolver aplicaciones con la visión artificial cuando hay más herramientas adecuadas disponibles para ellos. Si bien los sistemas de visión artificial tradicional tienen un rendimiento confiable con piezas consistentes y bien fabricadas, las aplicaciones se vuelven difíciles de programar a medida que aumentan las excepciones y las bibliotecas de defectos. En otras palabras, en cierto punto, algunas aplicaciones necesarias para la automatización industrial no obtendrán los mejores resultados al confiar en la visión artificial basada en reglas.

tabla de Deep Learning

La comprensión de tales diferencias será clave para cualquier compañía que emprenda un recorrido de automatización industrial, ya que tales diferencias son clave para determinar cuándo tiene sentido aprovechar una u otra tecnología en una aplicación de automatización industrial.

Si bien el Deep Learning está transformando la automatización industrial como sabemos, no es más que solo otra herramienta que los empleados pueden utilizar para realizar el trabajo. La visión artificial tradicional basada en reglas es una herramienta eficaz para tipos de trabajo específicos. Y para aquellas situaciones complejas que necesitan visión parecida a la visión humana con la velocidad y confiabilidad de una computadora, el Deep Learning demostrará ser una opción verdaderamente innovadora.

Para más información acerca de las tecnologías de Deep Learning para la fabricación, descargue nuestro documento, Deep Learning versus visión artificial.

Suscribir

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex

¿Tiene alguna pregunta?

Los representantes de Cognex están disponibles en todo el mundo para respaldar sus necesidades de visión y de lectura de códigos de barras industriales.

Contáctenos