Cómo el In-Sight 2800 simplifica la automatización de la visión

Sistema de visión In-Sight 2800 e interfaz de software EasyBuilder

In-Sight 2800 combina lo mejor del aprendizaje automático y la visión basada en reglas tradicional en un sistema de visión completamente integrado. Apoyándose en algoritmos entrenados previamente, el In-Sight 2800 se puede implementar fácil y rápidamente en cualquier entorno de producción para automatizar la detección de errores.

El sistema está pensado para ser utilizado por los ingenieros de línea y de producción para resolver problemas desafiantes de la automatización de fábricas, sin los conocimientos que requieren el Deep Learning o la visión artificial. Un ingeniero puede activar el In-Sight 2800 y lograr que reconozca y clasifique defectos en cuestión de minutos. A diferencia de otros sistemas de visión, puede hacerlo con una cantidad ilimitada de clases, de modo de resolver tareas aún más avanzadas de categorización y clasificación.

In-Sight 2800 les permite a los fabricantes de cualquier tamaño simplificar la integración, cumplir con los requisitos exactos de la aplicación, y lograr una mayor calidad del producto al ofrecer:

  1. Gran facilidad de uso
  2. Funcionalidad multiclase 
  3. Capacidades en varias regiones de interés 

1. Su gran facilidad de uso se adapta a todos los niveles de capacidad y agiliza la implementación

La visión artificial y el Deep Learning tienen una reputación de ser extremadamente capaces y en consecuencia, difíciles de implementar con eficacia. Sin embargo, los avances recientes en la tecnología de automatización de fábricas, como el In-Sight 2800, han llevado a la creación de una serie de herramientas que son más fáciles de utilizar que nunca.

In-Sight 2800 se diseñó para tener una configuración simple, sin la necesidad de programación avanzada. Entrenar al sistema para que resuelva un problema se parece mucho a entrenar un nuevo empleado que se ocupará de la línea. El ingeniero muestra ejemplos con distinciones que deben realizarse, y el aprendizaje perimetral integrado puede rápidamente hacer las mismas distinciones. 

El aprendizaje perimetral es un subconjunto del Deep Learning donde el procesamiento ocurre directamente en el dispositivo, mediante una serie de algoritmos entrenados previamente. La tecnología es fácil de configurar, requiere menos tiempo y menos imágenes para el entrenamiento, en comparación con las soluciones más tradicionales basadas en Deep Learning. Con las soluciones tradicionales, automatizar numerosas aplicaciones puede llevar varios días o semanas y requiere cientos de imágenes y horas de análisis por parte de expertos en visión y Deep Learning. En comparación, implementar las herramientas de aprendizaje perimetral del In-Sight 2800 lleva solo algunos minutos, algunas imágenes de entrenamiento y la atención de un ingeniero que comprende el problema que debe ser resuelto, pero que no necesariamente tiene conocimientos específicos en visión o Deep Learning.

2. La funcionalidad multiclase aborda una amplia varidad de tareas

Una competencia clave del aprendizaje perimetral es su capacidad de separar las piezas en categorías de manera rápida y confiable, luego de haber sido entrenado usando imágenes etiquetadas de esas piezas en las categorías designadas. Una aplicación común para esta función es la de clasificar piezas aceptables e inaceptables como OK/NG (Buenas/Deficientes). 

Los usuarios entrenan a las herramientas de clasificación de aprendizaje perimetral ofreciendo imágenes de piezas aceptables e inaceptables. No hay necesidad de marcar o definir qué es lo que hace que una pieza sea inaceptable. En su lugar, la misma herramienta evalúa qué variaciones de una pieza son importantes al momento de hacer una determinación, a la vez que ignora las variaciones que no afectan a la clasificación. Las herramientas de aprendizaje perimetral, integradas en In-Sight 2800, también pueden manejar clasificaciones que son mucho más complejas que una decisión binaria OK/NG (Buena/Deficiente).

Con una creciente personalización a nivel masivo, los fabricantes muchas veces almacenan diversas variantes de cada pieza. Por ejemplo, las ruedas para automóviles de lujo pueden venir en docenas de SKU, con ligeras diferencias en patrón, color y acabado. A un inspector humano puede llevarle un minuto distinguir entre algunas de ellas. El tiempo que requiere completar esta tarea se justifica con el resultado potencial de no hacerlo (instalar una rueda distinta a la que fue pedida), lo que puede resultar en que el cliente quede insatisfecho y en la pérdida de un futuro negocio.

Luego de ser entrenado con solo algunos ejemplos de cada diseño de rueda de lujo, el aprendizaje perimetral puede escoger la rueda adecuada de manera confiable, o confirmar que el estilo especificado esté siendo instalado en el vehículo. El poder definir varias clasificaciones brinda la capacidad de resolver una mayor cantidad de problemas relacionados con la automatización de fábricas.

3. La funcionalidad de varias regiones de interés (Region of Interest, ROI) se enfoca en características esenciales

Para perfeccionar una aplicación para la realización de inspecciones, un ingeniero de línea puede utilizar su conocimiento de cuáles son las áreas variables importantes de una pieza para definir las áreas de enfoque específicas, llamadas regiones de interés (Region of Interest, ROI). Por medio de una interfaz intuitiva, configurar aplicaciones en In-Sight 2800 resulta simple, utilizando conocidas herramientas de hacer clic y arrastrar. Arrastrar una vez define una caja, hacerlo otra vez la mueve. Es posible bloquear la caja para las características invariables de la pieza.

La definición de ROI es una parte estándar de la visión artificial, pero su uso con frecuencia requiere algo de experiencia. In-Sight 2800 hace que sea fácil de aplicar para alguien sin experiencia específica en herramientas de visión. Asimismo, la potencia de sus herramientas de visión significa que se puede definir cualquier cantidad de ROI y cada una de estas ROI puede identificar a cualquier cantidad de clases. 

Esto simplifica la realización de verificaciones de montaje para ensamblajes complejos, con muchas configuraciones y piezas variables diferentes, como tarjetas de circuitos impresos (Printed Circuit Boards, PCB). Este tipo de problemas solía representar una cantidad enorme de trabajo al momento de decidir qué características debían verificarse para confirmar que se había instalado la pieza correcta, y luego programar al sistema de visión para que examine esas características. Las herramientas de aprendizaje perimetral del In-Sight realizan estas determinaciones de manera autónoma, lo que significa que el ingeniero puede enfocarse en actividades de mayor valor agregado, como optimizar sus operaciones.

Multi-region of interest inspection of PCB

Aprendizaje automático fácil de usar con una flexibilidad sin comparación

Desarrolladas a partir de muchos años de experiencia en la automatización de fábricas, las herramientas de visión de Cognex se enfocan específicamente en los requisitos de las operaciones de línea. La ventaja de esta tecnología bien perfeccionada se vuelve más clara a medida que los errores se vuelven más sutiles y difíciles de detectar. 

Por ejemplo, una tapadora rotativa puede enroscarse mal, dañarse o dejar un espacio al tapar una botella. Muchos sistemas pueden detectar errores visibles e importantes con facilidad. La diferencia surge cuando el espacio es casi imperceptible. Otros sistemas pueden omitir estos errores, causando fugas o contaminación potenciales. In-Sight 2800, con su combinación de aprendizaje perimetral y sus herramientas de visión artificial específicas, clasificarán estas fallas casi invisibles como inaceptables.

Fácil de usar, puede entrenarse con solo algunas imágenes, capaz de realizar operaciones multiclase y multi ROI, el sistema de visión In-Sight 2800 está transformando la automatización industrial.

Más artículos sobre

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex