Leer códigos complejos y desafiantes en cualquier condición mediante el OCR basado en deep learning

Deep learning ocr tool

Imagine el ahorro de tiempo que significa una herramienta de reconocimiento óptico de caracteres (OCR) y de verificación (OCV) preentrenada. Al eliminar el arduo entrenamiento por adelantado, esta herramienta funciona apenas sea instalada. En caso de aparecer una fuente no reconocida, posiblemente causada por brillo especular, problemas de grabado u otra causa de deformación, la herramienta puede reentrenarse en la fábrica y solamente los caracteres problemáticos que no pudo decodificar. Eso prometen las herramientas de OCR y OCV basadas en deep learning, que dependen de una biblioteca preentrenada con múltiples fuentes y solo requieren entrenamiento en fuentes específicas de aplicación.

Las fuentes consistentes y fácilmente legibles colocadas sobre un fondo claro u oscuro pueden resolverse bastante bien con la visión artificial tradicional. Pero los fabricantes necesitan un nuevo tipo de solución OCR específica para cuando los fondos confusos y los problemas de imagen desafían a sus sistemas de visión artificial, y cuando la cantidad y el tipo de fuentes particulares de la aplicación son impredecibles. Algunos de los culpables más comunes son los códigos muy deformados, torcidos y mal grabados. Otros códigos complicados son los que implican caracteres de bajo contraste o códigos impresos, grabados, con puntos o en relieve sobre fondos confusos.

Exploremos cómo el software basado en el deep learning ofrece una alternativa radicalmente fácil y precisa para estas complejas aplicaciones de inspección de OCR/OCV.

OCR basado en deep learning para la industria automotriz

Tanto los fabricantes de automóviles como los proveedores de piezas utilizan los números de serie para rastrear las piezas de alto valor a través de la cadena de suministro y asegurarse de que se coloquen en los ensamblajes correctos. Muchas piezas cuentan con números de serie grabados por puntos de diez dígitos para que, en caso de presentarse problemas durante las pruebas, se pueda encontrar la fuente.

OCR sobre un bloque de motor

En caso de una retirada del mercado, las partes afectadas pueden ser retiradas rápidamente del mercado. Además de los problemas típicos de legibilidad —por ejemplo, algunas partes de los números de serie pueden desgastarse durante los procesos de fundición o lijado— las superficies metálicas reflectantes pueden a veces confundir la cámara de un sistema de inspección automatizada. Cuando los números de serie grabados con puntos se deforman gravemente y son ilegibles, se ralentizan los procesos de OCR y OCV y se pone en peligro la trazabilidad efectiva.

Las herramientas de OCR/OCV basadas en el deep learning están bien adaptadas a estos desafíos porque se basan en bibliotecas preentrenadas de múltiples fuentes para identificar incluso los códigos más difíciles desde su instalación. El deep learning de Cognex solo requiere ajustes específicos para la aplicación, lo que significa que, en lugar de entrenar un algoritmo para identificar cada carácter o número individual, un motor de entrenamiento —no un experto en visión— define la región de interés (normalmente el área con los caracteres mal leídos), establece el tamaño del carácter y etiqueta la imagen. Cualquier carácter mal leído o fuente específica de la aplicación se puede reentrenar en la fábrica.

OCR basado en deep learning para la industria electrónica

Los códigos grabados por láser en los componentes electrónicos, como los paquetes de circuitos integrados (CI) y los marcos de conexión son características esenciales para todos los fabricantes de hardware electrónico. Estos códigos de barras y números de serie contienen información sobre cuándo y dónde se fabricaron las piezas, sus números de lote e información de testeo. También pueden codificar información sobre la temperatura de soldadura y densidad del flujo —información fundamental, a medida que que los componentes se montan en chips y se arman en módulos.

OCR en una placa de circuitos.

Estos códigos se leen en cada etapa del valor añadido hasta el ensamblaje final y la prueba del dispositivo para asegurar que el hardware está ensamblado correctamente y contiene los componentes correctos. Debido al pequeño tamaño de la mayoría de los semiconductores y los límites de espacio en una PCB, el sistema de identificación del fabricante debe ser sólido para mantener la producción a toda velocidad y hacer un seguimiento de los componentes de alto valor. Esto también es así para los fabricantes de dispositivos terminados, que deben leer habitualmente códigos grabados con láser en los cabezales deslizantes, que pueden medir tan solo 1.1 mm x 1.4 mm. No es de extrañar que los códigos marcados por láser se degraden durante la producción y sean difíciles de leer.

En estas situaciones, la tecnología de OCR/OCV basadas en deep learning ofrecen una solución desde la instalación, que evita las horas de capacitación gracias a su biblioteca preentrenada con múltiples fuentes capaz de reconocer caracteres deformados y torcidos. Un ingeniero puede hacer ajustes específicos para la aplicación rápidamente y reentrenar los códigos mal leídos. Los beneficios en la productividad son inmediatos, ya que disminuyen los problemas de lectura y se maximiza el tiempo en uso de la máquina.

OCR basado en deep learning para la industria del empaquetado

Los fabricantes deben contar con sistemas confiables para reconocer y verificar la información de seguimiento que acompaña a cada producto empacado a través de toda la cadena de suministro. En sus esfuerzos por garantizar la trazabilidad total, los fabricantes de alimentos y bebidas y productos de consumo suelen enfrentarse a códigos desafiantes.

 OCR sobre una lata de aluminio

Los sospechosos de siempre son caracteres de bajo contraste impresos en códigos de envases basados en etiquetas o caracteres deformados y en relieve en piezas moldeadas por inyección, como la tapa de una botella. Los códigos pueden utilizarse para hacer coincidir los envases de varias partes o, habitualmente, contienen códigos de fecha/lote que incorporan información sobre el contenido, el origen y la fecha de fabricación. En estos casos, los fabricantes utilizan equipamiento de OCR/OCV para ubicar rápidamente los productos afectados y sacarlos de la producción o los comercios. La tecnología de OCR/OCV tradicional necesita de entrenamiento previo para aprender diferentes fuentes e incluso así pueden tener problemas para decodificar caracteres con mal contraste.

La tecnología de OCR/OCV basada en deep learning no tiene estas limitaciones y es capaz de leer automáticamente letras y números con mal contraste. Al aprovechar la tecnología basada en deep learning, los fabricantes pueden mantenerse actualizados respecto a las leyes de inocuidad alimentaria y trazabilidad, y facilitar la retirada de productos con un bajo impacto sobre su producción.

OCR de deep learning para la industria de ciencias biológicas

Contar con OCR y OCV efectivo es fundamental para las ciencias biológicas, que tienen leyes de seguimiento muy firmes. Para mantenerse en cumplimiento, los fabricantes y los hospitales necesitan escanear los códigos en los dispositivos médicos, las herramientas quirúrgicas y las pulseras de identificación de pacientes hospitalizados en cada punto de su utilización y manejo. Esto les permite identificar fácilmente los dispositivos y productos farmacéuticos a lo largo de la cadena de suministro en caso de un evento de seguridad.

OCR basado en el aprendizaje profundo para ciencias biológicas

Al tener mucho equipamiento y muchas personas que tocan los productos, los códigos se pueden deformar y torcer. La calidad de las imágenes puede no ser óptima, lo que cambia la apariencia del código para la cámara. En lugar de invertir tiempo en entrenar a un sistema de visión artificial para que reconozca la variedad de fuentes que probablemente encuentre, la industria de las ciencias biológicas está recurriendo a un software de análisis de imágenes basado en el deep learning para hacer el trabajo por ellos.

Las herramientas de OCR basadas en el deep learning son efectivos y fáciles de desplegar en códigos impresos en sustratos difíciles y propensos a la deformación, como los códigos grabados por puntos sobre piezas metálicas, caracteres en relieve en productos moldeados por inyección, códigos basados en etiquetas en envases y códigos grabados por láser en componentes electrónicos. La tecnología OCR/OCV de deep learning de Cognex reconoce la mayoría de los textos alfanuméricos de forma inmediata y solo requiere un breve entrenamiento inicial para establecer la región de interés y el tamaño del carácter. El sistema puede reentrenarse rápidamente en caso de caracteres no leídos directamente en la fábrica, para que los fabricantes no pierdan tiempo.

Para conocer cómo el deep learning está revolucionando las aplicaciones de automatización como OCR y OCV, descargue el documento técnico gratuito Deep learning para la automatización de fábricas:

Más publicaciones en

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex