Banner del blog del pequeño Dataman de Cognex, y un lente de cerca

Blogs de Cognex

IA fácil de usar resuelve una amplia variedad de aplicaciones de clasificación

Sistema de visión In-Sight 2800 superpuesto sobre aplicación de inspección de viales

Sistema de visión In-Sight 2800 superpuesto al cerebro grisEn todas las industrias, los ingenieros de línea y de automatización están conscientes de los beneficios de usar visión artificial sofisticada para reemplazar a los inspectores humanos, aumentar la velocidad de inspección, y mejorar la precisión, al mismo tiempo que se gestionan los cambios en los productos y materiales. También han escuchado mucho sobre el Machine Learning, Deep Learning, IA, y otros conceptos que parecen algo remotos de las responsabilidades diarias de sus deberes.

Si bien la visión artificial tradicional es rápida y precisa, requiere de demasiada programación, y la capacidad de manejar herramientas de imágenes para hacer cosas como usar la salida de una herramienta, como la entrada de otra, para obtener la salida final deseada, en un proceso llamado encadenamiento. 

El sistema de visión In-Sight 2800 con tecnología de Edge Learning elimina los procesos complejos y lleva tanto la IA como la visión artificial sofisticada a la planta de producción, todo sin necesidad de conocimientos de IA y ni de herramientas de visión artificial.

El poder de la IA sin la complejidad

El Edge Learning es un subconjunto de la IA donde el procesamiento ocurre directamente en el dispositivo, o en el “borde o perímetro” mediante una serie de algoritmos entrenados previamente. El Edge Learning es útil en una amplia variedad de aplicaciones industriales que actualmente utilizan cámaras de visión tradicional, o que aun dependen de inspección humana. El In-Sight 2800 implementa esta tecnología para identificar y clasificar defectos sutiles, sin embargo significativos, que anteriormente se ha demostrado que van más allá de las capacidades de las herramientas de visión artificial tradicionales y sofisticadas.

Clasificarlo de esta manera tiene un beneficio adicional y de largo plazo en la mejora del proceso. Debido a que las herramientas de Edge Learning se pueden entrenar para clasificar defectos de productos en varias categorías, puede proporcionar información sobre cuáles tipos de errores se están convirtiendo cada vez más comunes, y podría indicar que una máquina en la línea se desvía lentamente fuera de especificación. Dicha máquina se puede ajustar o girar antes de que comience a crear errores graves o deje de funcionar por completo.

Aplicaciones automotrices

Los conectores eléctricos de moldeo por inyección están en todos lados en los vehículos modernos, conducen la energía y señales a un amplio rango de componentes. Los conectores simplifican el cableado y facilitan la separación y extracción de componentes durante el mantenimiento y reparaciones.

Los conectores deben unirse a presión completamente y con precisión para garantizar una conexión eléctrica a largo plazo. La conexión también se debe confirmar antes de que la pieza o vehículo pase al siguiente paso de la producción. Este proceso es más fácil en teoría que en la práctica. Los conectores tienen un amplio rango de clips, broches de presión, y otras maneras de unirse. Además, están compuestos de plástico negro u oscuro, lo cual dificulta ver los detalles, y con frecuencia se presentan a la cámara de inspección en varios ángulos.

El sistema de visión In-Sight 2800 con tecnología de Edge Learning se puede entrenar en conjuntos pequeños de imágenes etiquetadas de conexiones buenas y defectuosas, después de las cuales los conectores se clasificarán rápidamente como Pasa o No pasa. Si se introduce un nuevo diseño de conector, es fácil de reentrenar las herramientas de Edge Learning con algunos ejemplos del nuevo diseño directamente en la línea.



Aplicaciones electrónicas

Varias placas de circuitos impresos (PCB) incluyen luces LED para mostrar su estado. En un ejemplo de aplicación, podría ser necesario identificar cuáles indicadores muestran una condición de energía (PWR), una condición de transmisión (TX), o una condición de apagado. Debido a lo tenue de los LED, su colocación cercana, y el entorno visual confuso ante el cual se muestran, la visión artificial tradicional en ocasiones tiene problemas para distinguir entre los estados de indicadores.

Con visión artificial tradicional, la manera habitual de realizar dichas determinaciones es con una herramienta de conteo de pixeles. Esto requiere establecer límites de brillo en lugares específicos para cada condición, un proceso afectado que requiere de una experiencia de programación de visión artificial avanzada.

Las herramientas de Edge Learning, como las integradas en el In-Sight 2800, se pueden entrenar con conjuntos pequeños de imágenes etiquetadas de las condiciones OFF, PWR, y TX, o directamente mediante la cámara, si así lo desea. Después de este entrenamiento breve, las herramientas se podrán clasificar y organizar con confianza los PCB en tres diferentes estados.

Aplicaciones para la industria médica/farmacéutica

En algunas aplicaciones médicas y farmacéuticas, los viales de vidrio se llenan automáticamente con medicamento a un nivel predeterminado. Antes de colocar la tapa, se debe confirmar que el nivel de llenado esté dentro de las tolerancias correspondientes. La naturaleza transparente y reflejante de los viales de vidrio y su contenido dificulta que la visión artificial tradicional detecte el nivel de manera consistente.

El Edge Learning puede comprender las partes clave que indican el nivel de llenado, ignorar la confusión provocada por las reflexiones, refracción, u otras variaciones distractoras en la imagen. El llenado demasiado alto o demasiado bajo son rechazados, mientras que solo pasan aquellos que se encuentran dentro de tolerancia.

Aplicaciones de empaque

En la línea de producción, se llenan y sellan botellas de refresco con una tapa de rosca o cierre. Si el colocador de tapas giratorias coloca la tapa trasroscando la rosca, o si se daña durante la colocación, esto puede dejar un hueco que podría generar contaminación o fugas.

Las líneas de llenado de botellas y colocación de tapas se mueven a altas velocidades. Las tapas selladas correctamente son fáciles de confirmar, pero hay varias maneras sutiles en las que podría enroscarse la tapa incorrectamente. Tanto la velocidad con la gran variedad de maneras en la que una tapa puede colocarse, mas no quedar bien sellada, hace que esta sea una aplicación desafiante para el sistema de visión artificial tradicional.

Las herramientas de Edge Learning de In-Sight 2800 se pueden mostrar con un conjunto de imágenes etiquetadas como buenas, y un conjunto de imágenes que muestra tapas con huecos que son casi imperceptibles al ojo humano. Las herramientas pueden clasificar las tapas selladas como “Pasa”, y el resto de las tapas como “No pasa” a la velocidad de las líneas. Usar esta tecnología disminuye significativamente la tasa de defectos aprobados, y al mismo tiempo es fácil de usar y económico.

El sistema de visión In-Sight 2800 de montaje lateral inspecciona el sello de tapas de botellas de agua.

Una solución fácil para los problemas de automatización de las fábricas.

El sistema de visión In-Sight 2800 con Edge Learning está diseñado con los problemas de automatización de las fábricas en mente. Es capaz y fácil de usar, y rápidamente se convierte en una herramienta esencial de cualquier línea.

Más publicaciones sobre

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