Blogs de Cognex

Cómo funciona la herramienta de clasificación de aprendizaje profundo

classification deep learning inspections

Clasificar piezas y componentes es útil para la verificación de montaje compleja, cuando se deben identificar y clasificar múltiples elementos en la línea de producción. La clasificación también es fundamental para el control del proceso en la línea de producción y la mejora continua del proceso, al proporcionar información crítica para detectar errores antes de que se conviertan en problemas arraigados.

A pesar de los grandes avances en la visión artificial, detectar objetos o componentes que varían en su forma, tamaño y ubicación siempre ha necesitado de la flexibilidad del ojo humano. Incluso los más poderosos sistemas de inspección por computadora se confunden fácilmente frente a fondos con mucha información y con los problemas de calidad de la imagen como los brillos especulares.

Estas condiciones hacen que ubicar un objeto o región de interés con precisión sea muy difícil para los algoritmos de visión. Puede llevar mucho tiempo y ser difícil, e incluso imposible, que un sistema automatizado ignore características irrelevantes para identificar la región de interés con éxito.

En estos casos, cuando una aplicación necesita de precisión automatizada para detectar características y objetos complejos, puede ser útil pasar a herramientas basadas en aprendizaje profundo que, en lugar de confiar en la programación, aprenden a partir de imágenes de ejemplo. El uso de estos algoritmos de autoaprendizaje desbloquea nuevas habilidades para localizar y clasificar las piezas en grupos por su color, textura, material, embalaje o tipo de defecto.

Veamos cómo las herramientas de clasificación basadas en aprendizaje profundo pueden ayudar a diferentes industrias.

Clasificación de aprendizaje profundo para la industria automotriz

En muchas aplicaciones automotrices, la identificación se realiza mediante la lectura de códigos de barras y tecnología de reconocimiento óptico de caracteres (OCR) para decodificar los códigos de barras y los números de serie. Sin embargo, en entornos no compatibles con la lectura de códigos o textos alfanuméricos, los fabricantes deben confiar en la identificación visual. Esto puede ser un problema para identificaciones en ubicaciones impredecibles o con variaciones y desviaciones visuales, pero es incluso más complicado cuando las piezas deben ser contadas y ordenadas o clasificadas en función de estos marcadores.

clasificación en la industria automotriz

Imagine un fabricante automotriz que recibe un envío de bujías de un proveedor de repuestos. Estas bujías varían en su color y marcado porque están diseñadas para diferentes modelos de vehículos. A medida que ingresan a la línea de producción para su premontaje en bandejas de diferentes colores, los sistemas de inspección automatizados deben identificarlos, contarlos y clasificarlos para enviar la información a la etapa de montaje robótico. Para esto, el sistema automatizado debe diferenciar entre bujías de diferentes colores, que le brindarán información importante de montaje a los robots, pero también deben ignorar el color de fondo de las bandejas que son una distracción.

Un desafío de clasificación como este exige una herramienta de aprendizaje profundo que pueda generalizar el aspecto normal de las bujías según su forma y dimensiones sin distraerse con marcas individuales, para luego clasificarlas por su color. Para esto, una herramienta de análisis de imágenes basada en aprendizaje profundo como el aprendizaje profundo de Cognex utiliza imágenes de entrenamiento para generalizar la apariencia de una bujía y contar la cantidad que hay en una bandeja. Luego, puede clasificarlas por color y enviar esta información al robot para el montaje.

Clasificación de aprendizaje profundo para la industria electrónica

Para los fabricantes de hardware electrónico que trabajan con bajas tolerancias, deben detectar y catalogar todos los defectos en la superficie de sus componentes al principio de su proceso de producción. Las superficies metálicas de estos componentes pueden generar un brillo especular que puede confundir al sistema de inspección al cambiar la apariencia de las piezas frente a la cámara.

clasificación en la industria electrónica

Los defectos comunes como golpes, rayones o manchas en los componentes que se producen durante el montaje suelen ser difíciles de discernir durante las primeras etapas de la producción debido a que las superficies son rugosas, texturadas y reflectantes. Asimismo, estos defectos solo se pueden ver bajo ciertas condiciones de iluminación que se manifiestan a menudo durante los cambios locales de contraste causados por una iluminación no uniforme.

Al mismo tiempo, el sistema de inspección debe tolerar las variaciones normales y las anomalías naturales pero insignificantes de la superficie de los materiales. Con una herramienta basada en el aprendizaje profundo, los fabricantes de electrónica pueden detectar defectos estándar en cualquier orientación mediante el uso de iluminación estándar y no especializada; tolerar el brillo especular y las anomalías insignificantes; y, finalmente, ordenar y clasificar defectos por sus atributos en común.

Una aplicación habitual es clasificar los defectos superficiales para el control de calidad. El aprendizaje profundo puede separar cada tipo de defecto en grupos o tipos específicos en función de sus características en común. Por ejemplo, un modelo puede diferenciar “golpes” de “manchas”, “marcas de manipulado” y “rayones”, según cómo se ven sobre la superficie metálica. Dado que los golpes varían levemente entre sí, un fabricante necesita utilizar el aprendizaje profundo para conceptualizar y generalizar las características comunes de los golpes para poder identificarlos adecuadamente.

Para esto, el sistema de inspección basado en aprendizaje profundo incorpora información contextual sobre las superficies metálicas de los componentes para generar un modelo confiable de la forma, las dimensiones y la textura de los defectos superficiales. En consecuencia, defectos como golpes y rayones son marcados como anomalías (o fallos o “malas” imágenes) porque aparecen como áreas de textura que se desvían de la textura normal de la superficie. A partir de ahí, todas las imágenes “malas” con características comunes se clasifican por sus aspectos comunes, como golpes, manchas, marcas de manipulado y rayones.

Si ciertos tipos de defectos no causan daños funcionales y el fabricante los considera permisibles, el sistema puede tomar la decisión de tolerarlos y permitir que pase a la siguiente etapa de producción.

Clasificación de aprendizaje profundo para la industria de empaque

La identificación de empaques basada en apariencias sin usar códigos de barras es desafiante. En estos casos, los sistemas de inspección deben ser sensibles no solo a las variaciones normales y previstas en el aspecto del producto o del lote, sino también a la forma en que los paquetes cambian de aspecto debido a los cambios locales en contraste con la iluminación no uniforme.

clasificación en la industria de empaques para consumidores

En el caso de los alimentos y bebidas en envases múltiples y de los productos de consumo, en los que los mismos envases pueden prepararse de manera diferente en sus soportes, el sistema de inspección debe reconocer instantáneamente que las sutiles diferencias en el envoltorio —que pueden ser difíciles de detectar bajo ciertas luces— son dos clases distintas de envases.

Por ejemplo, dos paquetes idénticos de cuatro rollos de papel higiénico etiquetados con el mismo código de barras pueden colocarse de forma diferente en sus recipientes; algunos paquetes de cuatro pueden ser individuales, mientras que otros se envuelven junto a otros paquetes para su envío. Que un sistema de inspección de visión artificial detecte esta sutil diferencia involucraría una programación con amplios criterios de selección y algoritmos de detección cuidadosamente ajustados y optimizados.

Por otro lado, el análisis de imágenes basado en el aprendizaje profundo utiliza un enfoque humano para distinguir entre ambos tipos de empaques. En función de imágenes etiquetadas de ambas clases de paquetes, el sistema es capaz de detectar que la envoltura adicional es lo que los distingue y, así, clasificarlos adecuadamente.

Clasificación de aprendizaje profundo para la industria de ciencias biológicas

Las células cancerosas presentan formas variables e impredecibles. De hecho, los distintos tamaños y formas de un único tipo de célula cancerosa presentan más diferencias que características en común. Puede ser casi imposible para los patólogos diferenciar unacélula de cáncer de mama sea tal. El viejo adagio de que “uno lo sabe cuando lo ve”, es frustrantemente cierto en la patología celular.

clasificación en la industria de ciencias biológicas

Las herramientas de detección de defectos basadas en aprendizaje profundo superan este obstáculo al aprender las diversas e innumerables formas de una célula cancerosa y son capaces de detectar con precisión todas aquellas que parecen anómalas, todo ello teniendo en cuenta las variaciones naturales y normales de una célula sana. Sin embargo, cuando se trata de clasificar el grado de diferenciación celular, una herramienta de aprendizaje profundo puede clasificar todas las imágenes anómalas según morfologías específicas. Esta es una tarea que la visión artificial no puede realizar por las limitaciones inherentes de la programación.

Por ejemplo, las células de cáncer de próstata se clasifican según su “patrón de Gleason”, o grado de estructura glandular, en una escala del 1 al 5. Una clasificación de “1” significa uniforme y “5” es irregular y distinto. Una herramienta basada en el aprendizaje profundo puede ayudar a automatizar la inspección al incorporar un modelo del aspecto de los tejidos celulares clasificados del 1 al 5 en función de su grado de diferenciación glandular y, en función de esa apariencia, una herramienta de clasificación puede clasificar todas las muestras adecuadamente. Una herramienta como la de aprendizaje profundo de Cognex puede hacerlo, incluso cuando la escena incluye múltiples células, al centrarse en varias regiones de interés dentro de una sola imagen.

En términos de su clasificación, las “clases” pueden variar por tipo de defecto, tamaño, forma, color y diferentes morfologías únicas de cada industria. El software de análisis de imágenes industrial basado en aprendizaje profundo no solo impulsa las inspecciones automatizadas de los fabricantes, sino que también hacen lo que antes era imposible: clasificar, ordenar y calificar sin tener que programar. Esto permite finalmente automatizar las inspecciones que implican diferenciar productos visualmente similares pero diferentes, tolerando al mismo tiempo grandes variaciones dentro de la misma clase, así como la distinción entre las anomalías tolerables y los verdaderos defectos.

Las soluciones basadas en el aprendizaje profundo, como el aprendizaje profundo de Cognex, amplían el poder de la visión artificial tradicional no solo para inspeccionar, sino también para clasificar y ordenar piezas según sus características visuales, lo que ayuda a acelerar el montaje y a detectar los errores de producción antes de que afecten a la calidad y el rendimiento.

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
Loading...