Blogs de Cognex

Cómo la detección de defectos mediante aprendizaje profundo automatiza las inspecciones en la industria automotriz y en otras industrias

defect detection large

El aprendizaje profundo es ideal para detectar defectos estéticos y otras anomalías no deseadas en las aplicaciones de automatización industrial marcadas por su complejidad natural y alto grado de variabilidad, especialmente en entornos no estructurados. Los fondos con patrones complejos o altos niveles de variabilidad en la posición pueden confundir a un sistema de inspección de visión artificial tradicional. La variabilidad natural entre piezas puede ser difícil de predecir. También es cierto que un fondo consistente puede variar drásticamente en su apariencia visual debido a la naturaleza elástica, flexible y propensa a la deformación del material. Esto es una preocupación real en los plásticos y los textiles tejidos.

Cuando los tipos de defectos son complejos y presentan mucha variación en su posición, esto puede impedir que los fabricantes utilicen métodos de inspección más tradicionales porque la programación es demasiado extensa, engorrosa y tediosa. La detección de defectos en los que varía el aspecto visual, ya sea debido a las imágenes (brillo) o a la naturaleza cambiante y deformable del material (por ejemplo, en tela) cuando los defectos se presentan en muchas formas y tipos diferentes hace que la búsqueda explícita sea demasiado difícil.

En estos casos, los fabricantes pueden usar el aprendizaje profundo para identificar los sujetos que se desvíen de la apariencia normal y presentan defectos. O en situaciones en las que algunos defectos son causa de rechazo y otros no, un ingeniero de entrenamiento puede entrenar el modelo de referencia con imágenes etiquetadas tanto “buenas” como “malas” para capturar tipos específicos de defectos, tolerando aún la variabilidad natural.

En cualquier caso, este enfoque es simple y directo y no necesita de experiencia con la visión artificial. Un ingeniero de inspección simplemente recopila y alimenta al sistema con un conjunto representativo de imágenes de entrenamiento. A partir de ahí, la solución de aprendizaje profundo utiliza la inteligencia de tipo humano para desarrollar su modelo de referencia, que el ingeniero puede validar y perfeccionar con imágenes adicionales, según sea necesario, hasta que la toma de decisiones de los modelos iguale la de los mejores inspectores humanos. Así, el sistema puede analizar imágenes de inspección en forma precisa y repetitiva durante la ejecución para detectar anomalías y defectos estéticos.

En los siguientes ejemplos, analizaremos la propuesta de valor para la herramienta de detección de defectos de aprendizaje profundo de Cognex en las industrias automotriz, electrónica, de embalaje y de ciencias biológicas.

Detección de defectos para la industria automotriz

Las piezas automotrices presentan muchas superficies desafiantes. Algunas de las más confusas para un sistema de detección automatizada son las superficies metálicas —que pueden tener una textura intensa, rugosa y porosa— y las telas utilizadas en los asientos interiores y en las bolsas de aire.

detección de defectos automotrices

Las telas tienen una variación natural en el grosor de la lana, el punto de tejido y el patrón. Para la inspección de una bolsa de aire, es fundamental detectar cualquier defecto en las puntadas y costuras que tendrían un impacto catastrófico al accionarse. Este desafío tiene dos partes. Por un lado, la tela natural es compleja y su apariencia puede variar en función de cómo se estire o se capte con la luz. Por otro lado, y lo más problemático, es la gran cantidad de defectos en las puntadas o costuras. Buscar explícitamente de cada uno es tedioso y casi imposible de capturar con un algoritmo basado en reglas. Por lo tanto, resulta útil que un sistema de inspección identifique posibles defectos mediante el entrenamiento sin supervisión sobre la apariencia normal de la tela de una bolsa de aire.

Mediante redes neuronales, una herramienta basada en el aprendizaje profundo puede conceptualizar y generalizar la naturaleza cambiante de la tela para identificar todas las presentaciones anómalas mientras se mantiene estable para las variaciones naturales en el patrón de tejido, las propiedades de los hilos, los colores y otras imperfecciones tolerables. El sistema marca como defectuosa cualquier anomalía que difiera de estas variaciones naturales, como puntadas inesperadas, pelusas en el tejido, puntos en la trama, enganches o agujeros. De esta forma, la telase puede inspeccionar sin contar con una biblioteca de defectos predefinida. Este nuevo enfoque basado en el aprendizaje profundo le proporciona el rendimiento humano de la inspección visual al control de calidad automatizado de telas automotrices.

Detección de defectos para la industria electrónica

Aparte de la fabricación de pantallas OLED, la fabricación de semiconductores es el único lugar de la industria electrónica donde es crítico contar con una rigurosa gestión de la calidad y detección de defectos. Así como las clavijas rayadas, torcidas, dobladas o faltantes son causas automáticas de rechazo, también lo son las fallas más superficiales que interfieren con las extremadamente estrechas tolerancias al error de un chip.

detección de defectos en electrónica

Sin embargo, programar tantos tipos de defectos explícitos en un algoritmo de visión artificial basado en reglas es ineficiente. Cuando prácticamente cada defecto cuenta como una anomalía funcional, es más sencillo enseñar al sistema de inspección cómo es un chip semiconductor o un cable de circuito integrado (IC) perfecto que marcar todos los chips o cables divergentes como defectuosos. Esta es una tarea perfecta para una herramienta de inspección basada en el aprendizaje profundo que funciona en modo no supervisado. En este modo, las redes neuronales del software conceptualizan y generalizan la apariencia normal de un chip —incluso cualquier variación percibida debido a fondos metálicos brillantes— para señalar como defectuosos a los que tienen componentes faltantes, rotos o desgastados.

El beneficio para los fabricantes es inmediato: No es necesario contar con un experto en visión o un desarrollador de aplicaciones, ni hay que programar defectos impredecibles; además, proporciona mayores tasas de detección de defectos y rendimientos posteriores.

Detección de defectos para la industria de empaquetado

La identificación de defectos estéticos como rayones y abolladuras en un fondo confuso no se limita a las superficies metálicas. En los alimentos y bebidas y en los productos de consumo, es tan probable que los envases estén hechos de plástico brillante o de materiales cerámicos brillantes, así como los que están hechos de láminas de metal. Sin embargo, estas superficies presentan los mismos problemas de reflejos y brillo especular. Estas condiciones pueden dificultar que los sistemas tradicionales de visión artificial aprecien diferencias sutiles entre imágenes.

detección de defectos en empaques

Por suerte, una red neuronal basada en aprendizaje profundo está diseñada para ver más allá del brillo. También es la mejor forma de dejar de lado las imperfecciones normales de la superficie y detectar los verdaderos defectos. En el caso de los frascos de cerámica de crema facial, las diferencias inherentes entre los frascos no siempre son una causa inmediata de rechazo. Las anomalías “funcionales”, que afectan la utilidad de una frasco, son casi siempre causa de rechazo, mientras que las anomalías cosméticas pueden serlo o no, según las necesidades y la preferencia del fabricante.

El aprendizaje profundo de Cognex combina las ventajas de la inspección de visión artificial y la inspección humana de forma rentable y fácil de implementar. Para hacer esto, una aplicación o un ingeniero de calidad entrena al software basado en aprendizaje profundo con un conjunto representativo de imágenes de frascos de cerámica “buenos” y “malos”. Un frasco “malo” puede ser uno con abolladuras profundas o grandes rayones, por ejemplo. En función de estas imágenes, el software aprende la forma natural y la textura superficial de la cerámica y, aunque tolera las variaciones naturales en la presentación que pueden ser debidas a la iluminación, señala las imágenes que se encuentren fuera del rango aceptable.

De esta manera, el aprendizaje profundo de Cognex ofrece una solución eficiente de detección de defectos para empaques, combinando la capacidad humana para percibir las pequeñas variaciones con la confiabilidad, consistencia y velocidad de un sistema computacional automatizado.

Detección de defectos para la industria de las ciencias biológicas

El papel del radiólogo de hoy en día está cambiando rápidamente gracias al diagnóstico asistido por computadora (CAD, por sus siglas en inglés). Tradicionalmente, la búsqueda de anomalías biológicas, como tumores, ha requerido del criterio humano. La ubicación puede variar ampliamente, al igual que la presentación. A veces, un radiólogo puede estar menos interesado en la identificación de una anomalía específica que en una pequeña desviación, aunque sea leve, del aspecto normal y saludable del cuerpo.

detección de defectos en ciencias biológicas

Los seres humanos están bien capacitados para revisar el resultado de una radiografía o resonancia magnética y captar cualquiera de estos escenarios, ya que pueden formar naturalmente modelos de lo que podrían ser diferentes presentaciones y diferenciar entre “normal” o “anómalo”. Pero los radiólogos tienen un límite en su productividad. También es posible que un radiólogo, incluso el más experimentado, se encuentre frente a una imagen con una característica desconocida o por fuera de su experiencia. El riesgo de no detectar un posible tumor o realizar un mal diagnóstico es demasiado grande.

En este caso, la potencia de los grandes datos puede venir al rescate. Una herramienta de software basado en aprendizaje profundo puede ubicar la región de interés, como puede ser cierto órgano o una vértebra específica, incluso si el fondo es confuso o tiene poco contraste. Mediante un conjunto de imágenes de entrenamiento etiquetadas, el algoritmo de IA puede desarrollar un modelo de referencia de la apariencia normal del órgano que incluya ciertas variaciones. En función de las imágenes de ejemplo catalogadas como “buenas” y “malas”, el sistema de inspección de aprendizaje profundo puede aprender a detectar si una imagen es anómala o normal. De esta manera, el modelo de referencia puede etiquetar cualquier región con anomalías biológicas que se desvían de una fisiología normal y saludable para luego ser evaluada por un radiólogo, de ser necesario.

Los fabricantes confían en la herramienta de detección de defectos de aprendizaje profundo de Cognex para detectar anomalías y defectos estéticos en todo tipo de superficies, que incluyen papel, vidrio, plástico, cerámica y metal. Ya se trate de rayones, marcas de manipulado, erratas o errores de alineación, el aprendizaje profundo de Cognex puede identificarlos simplemente aprendiendo el aspecto normal de un objeto, así como sus variaciones naturales y tolerables. En el caso de grandes superficies, la herramienta de detección de defectos también puede segmentar regiones de interés específicas para localizar los defectos al aprender el aspecto variable del objetivo.

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...