Blogs de Cognex

Cómo ayuda el Deep Learning para automatizar inspecciones en la industria automotriz

deep learning for automotive inspections

Los fabricantes automotrices fueron de los primeros en la industria en adoptar la mecanización, la automatización y las mejoras de productividad proporcionadas por la visión artificial. Actualmente, casi todos los componentes, sistemas y piezas dentro de un automóvil se fabrican con tecnología de visión artificial y lectura de códigos de barras, desde el montaje a la inspección final. Gracias a los grandes avances de la inteligencia artificial, muchos fabricantes de automóviles y de piezas están apuntando al software de análisis de imágenes basado en el Deep Learning para automatizar los procesos manuales restantes que, hasta hace poco, se consideraban demasiado complejos para automatizarlos.

Históricamente, estas aplicaciones incluían ubicaciones de piezas que no podía predecirse, inspecciones estéticas sobre fondos confusos y clasificación, una categoría de inspección que los algoritmos de visión artificial no pueden automatizar. Al automatizar estas categorías de usos a través del software de Deep Learning, los fabricantes pueden aumentar su productividad al limitar los defectos y los rechazos falsos. Del despliegue de esta tecnología también se deriva un aumento de la calidad general y una posible disminución de la mano de obra.

Siga leyendo para aprender cómo los fabricantes automotrices están implementando actualmente el análisis de imágenes basado en Deep Learning en las fábricas para mejorar la detección de defectos, el reconocimiento óptico de caracteres (OCR), la verificación del montaje y la clasificación.

Detección de defectos

Los fabricantes automotrices tienen un gran interés de asegurar la integridad de sus componentes y piezas, ya que los más mínimos defectos pueden comprometer la función y seguridad de la pieza. Sin embargo, no todos los defectos estéticos conllevan preocupaciones funcionales.

Consideremos, por ejemplo, un pistón en un motor de combustión interna alternativo. Las rayaduras sobre las soldaduras de un pistón tienen un efecto negativo sobre su rendimiento. Otras, como manchas de óxido e incluso algunas grietas y fisuras superficiales son simplemente estéticas. Sin embargo, estas diferencias en los defectos pueden ser difíciles de evaluar mediante sistemas de inspección automatizada debido a la sutileza en su apariencia (un rayón puede verse similar a una grieta) y problemas con las imágenes.

Las superficies con soldaduras metálicas pueden generar reflejos que confunden a las cámaras. Es por esto que muchos fabricantes siguen utilizando inspectores manuales en lugar de intentar automatizar la inspección de soldaduras metálicas texturizadas; aunque son lentos y se cansan, los inspectores humanos son mejores para identificar y distinguir las sutilezas estéticas.

aprendizaje profundo para inspección de detección de defectos

Por suerte, los avances en el Deep Learning han hecho que sea posible detectar y distinguir automáticamente defectos impredecibles y variables sobre superficies metálicas, como soldaduras, sin necesidad de inspecciones manuales. El nuevo software poderoso puede identificar y distinguir estos defectos, en forma similar a como lo haría el ojo y el cerebro humanos. Programar este tipo de inspección requeriría complejos algoritmos con extensas bibliotecas de defectos; e incluso así, las inspecciones probablemente generarían errores.

En contraste, los algoritmos de Deep Learning se entrenan a partir de imágenes de ejemplo para generar sus propios modelos de defectos de soldadura. Después de un período inicial de entrenamiento, estos sistemas pueden trabajar con imágenes borrosas fuera de foco y fondos desafiantes y son capaces de apreciar y reconocer hasta las variaciones más ínfimas y categorizarlas efectivamente. No dejemos de lado el beneficio agregado de la velocidad. Estos programas, que pueden ejecutarse como software o directamente sobre las cámaras inteligentes, son rápidos y consistentes. De esta forma, los sistemas de Deep Learning ofrecen una combinación insuperable de velocidad y consistencia con inteligencia casi humana.

Dadas las numerosas posibles imperfecciones y dificultades de iluminación, el análisis basado en el Deep Learningo ofrece una alternativa simple y sólida a la inspección de visión artificial tradicional. Una vez que el sistema ha sido entrenado durante el tiempo de ejecución, el software basado en el Deep Learning, habiendo aprendido a reconocer e ignorar variaciones irrelevantes, es capaz de caracterizar como defectuosas las imágenes de soldadura con poca o mucha potencia.

Reconocimiento óptico de caracteres

La lectura automatizada de caracteres también puede confundir a un sistema de inspección cuando hay luz especular, reflejos y colores de pintura. Normalmente, las herramientas de OCR y verificación óptica de caracteres (OCV) reconocen caracteres para poder leerlos o verificar su adecuación, mientras le brindan opciones al usuario para optimizar sus sistemas en términos de velocidad y tasa de lectura.

La mayoría de las herramientas de OCR/OVR disponibles actualmente puede leer en forma rápida y eficaz letras negras impresas sobre fondos blancos limpios. No es de extrañar que estas condiciones ideales no sean la norma en la mayoría de los entornos industriales. Aunque los algoritmos avanzados pueden aprender y leer la mayoría de las fuentes impresas, incluso con poco contraste entre la escritura y el fondo y una variación significativa en el ancho y el alto, los problemas aumentan cuando las letras o los números se tocan, están desviados o presentan distorsiones.

También puede ser difícil distinguir entre formas similares (por ejemplo, la letra “O” y el número “0”) cuando no se entrenó a la herramienta con anterioridad respecto al tipo de fuente específica. ¿Qué sucede cuando hay luz especular, reflejos y colores de pintura? ¿O cuando las cifras alfanuméricas impresas por alguna razón se deformaron y ya no se reconocen fácilmente? Normalmente, para estas situaciones se debe realizar un entrenamiento exhaustivo de etiquetas y aun así puede fallar.

aprendizaje profundo para OCR automotriz

En caso del código VIN de un automóvil, los fabricantes deben poder decodificar rápidamente un conjunto de letras y números impresos sobre diferentes superficies. Las condiciones ambientales y la distorsión de la impresión pueden hacer que el sistema de visión artificial tenga dificultades para ubicar y reconocer caracteres, que pueden tratarse de marcado directo de piezas (DPM), estar grabados o trazados sobre una placa metálica o impresos en un adhesivo. Para esta tarea, los fabricantes automotrices pueden finalmente confiar en el OCR basado en Deep Learning, un nivel superior al de las herramientas de OCR basadas en visión artificial existentes, cuando se enfrentan a fuentes desafiantes y dificultades en la formación de imágenes.

De forma exclusiva, la herramienta OCR basada en Deep Learning de Cognex utiliza una herramienta omnidireccional previamente entrenada para reconocer caracteres incluso si están oscurecidos por la deformación de la impresión, el alto o bajo contraste o los reflejos. Frente a una lectura incorrecta, solo se debe volver a entregar al modelo de Deep Learning con ejemplos adicionales de los caracteres faltantes, lo que ahorra tiempo y disminuye las tasas de error.

Verificación del montaje

Las piezas incompletas o con fallas pueden ser difíciles de inspeccionar por diferentes motivos: Múltiples piezas requieren un meticuloso desarrollo de algoritmos y estas escenas pueden ser visualmente confusas debido a su patrón y fondo. En estos casos, un sistema automatizado necesita poder aprender cuál es la apariencia normal y correcta de una escena a la vez que toma en cuenta leves variaciones que pueden afectar la calidad o no.

inspección de cables automotrices

En montajes grandes y complicados, un sistema de inspección también debe ser capaz de segmentar regiones específicas como áreas de interés para la inspección o como áreas con defectos. Estos factores hacen que la programación basada en reglas sea muy tediosa y propensa a errores. En cambio, las herramientas de detección, localización y disposición de defectos basadas en el Deep Learning pueden desarrollar modelos basados en la IA para identificar regiones específicas de interés en una imagen. Para esto, solo deben aprender las posibles variaciones en la apariencia a partir de un conjunto de imágenes de muestra representativa e inspeccionarlas para comprobar que estén completas.

De esta forma, el sistema basado en Deep Learning genera un modelo de referencia confiable de un montaje, por ejemplo la puerta de un auto, y puede confirmar en forma rápida y confiable que todas las piezas están presentes, colocadas en su lugar y montadas adecuadamente. Si bien los inspectores humanos tienen las habilidades para realizar estas consideraciones, el Deep Learning puede realizar la tarea con la velocidad, precisión, escala y robustez de una computadora.

Clasificación

Volvamos al ejemplo de la detección de defectos en las soldaduras para comprender mejor la propuesta de valor del Deep Learning. Como dijimos anteriormente, las inconsistencias en el soldado puede ser anomalías que no afectan la funcionalidad. Esto necesita de un sistema de inspección automatizada que, además de detectar los defectos, pueda clasificarlos adecuadamente como “positivos” (eficaz, aprobado) o “negativos” e indicar el motivo del rechazo. Si un tipo de defecto que causa muchos rechazos en la línea, los fabricantes necesitan datos para comprender la situación y modificar los métodos de producción o limitar que suceda dicho defecto.

Las limitaciones propias de la visión artificial no le permiten clasificar imágenes. Sin embargo, los avances en las redes neuronales implican que ahora los programas basados en IA pueden realizar clasificaciones basadas en imágenes. La IA puede clasificar imágenes de una misma pieza en subcategorías al aprender sus diferenciadores visuales claves. Después de ser entrenado en un conjunto de imágenes etiquetadas representativas de cada clase de imágenes, el modelo de Deep Learning aprende a distinguir entre las imágenes en tiempo real y a categorizarlas en clases como por ejemplo tipos de bujías.

Aprendizaje profundo para la inspección de bujías

El Deep Learning es la herramienta más reciente que tienen los ingenieros de aplicación de inspección para resolver complejos desafíos de inspección en el área automotriz. Lo que otrora se consideraba solo posible mediante la inspección humana ahora puede realizarse mediante un sistema de visión que aprovecha la tecnología de Deep Learning.

Más publicaciones en

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