Cómo ayuda una red neural a inspeccionar la fabricación

neural network banner

La generación automática de texto en el correo electrónico, el reconocimiento de voz, el análisis de imágenes médicas, la coloración de fotografías antiguas, la publicidad personalizada en línea, las computadoras de juegos de estrategia y el reconocimiento facial para desbloquear su teléfono móvil son ejemplos del modo en que la inteligencia artificial está haciendo que nuestras vidas sean un poco más fáciles, un poco más divertidas, poco más atemorizantes y, en general, podríamos decir que más interesantes. Y no es diferente en la automatización industrial, donde la inteligencia artificial en la fabricación está impulsando enfoques nuevos para aplicaciones de inspección complejas y desafiantes.

Estas aplicaciones basadas en la inteligencia artificial están impulsadas por el Deep Learning, que se basa en el trabajo de las redes neuronales.

Warren McCullough y Walter Pitts presentaron las redes neuronales por primera vez en 1944. Estos dos investigadores de la Universidad de Chicago se mudaron al MIT en 1952 como miembros fundadores de lo que a veces se conoce como el primer departamento de ciencias cognitivas.

¿Qué es una red neuronal? 

En esencia, las redes neuronales son programas de computadora que están diseñados para imitar el modo en que funciona el cerebro humano. Cada programa en una red neuronal solo puede realizar cálculos básicos. Pero, al conectar numerosos nodos entre sí, la potencia informática del total se vuelve mayor que la suma de sus partes. Cuando una red neuronal pasa datos de entrada de un programa a otro dentro del sistema, la red neuronal se está entrenando a sí misma y usando esos datos para ser más inteligente, de manera similar al modo en que las personas adquirimos información.

Por lo tanto, las redes neuronales se han convertido en el método por el que las computadoras aprenden a ejecutar determinadas tareas, ya sea al reconocer un rostro específico en diferentes fotografías o al identificar qué es o no es un perro a partir de un conjunto de referencias de imágenes de perros.

“Las redes neuronales es lo que realmente hace posible el Deep Learning”, explica Bob Ochiai, gerente de marketing de productos para Deep Learning en Cognex.“Las redes neuronales y el Deep Learning todavía son solo una herramienta para que los seres humanos creemos aplicaciones más inteligentes que nos permitan trabajar con mayor eficiencia y resolver aplicaciones específicas y complejas en la mayoría de los escenarios”.

Cada programa de una red neuronal se denomina neurona, y esas neuronas están conectadas a un número aleatorio de otras neuronas. Cuanto más fuertes y eficaces sean las conexiones entre las neuronas, mejor será el rendimiento de la red neuronal. El proceso de hacer una conexión entre las neuronas dentro de una red neuronal se denomina entrenamiento.

 redes neuronales de Deep Learning

A medida que los datos pasan a través de cada capa de una red neuronal, el sistema se entrena y perfecciona sus resultados para que sean más exactos al resolver la tarea específica para la que se configuró que resolviera. En un entorno de automatización industrial, por ejemplo, las redes neuronales podrían usarse para resolver la detección de defectos complejos o identificar otras irregularidades del producto que son demasiado frecuentes como para crear un programa basado en reglas.

 El sistema se entrena por medio de tres métodos:

  • Aprendizaje supervisado: Esta estrategia de aprendizaje es la más simple, ya que hay un conjunto de datos etiquetados, por el que pasa la computadora, y el algoritmo se modifica hasta que pueda procesar el conjunto de datos para obtener el resultado deseado.
  • Aprendizaje no supervisado: Esta estrategia es de utilidad en los casos en los que no hay un conjunto de datos etiquetados disponible del cual aprender. La red neuronal analiza el conjunto de datos y luego una función de costos le dice a la red neuronal qué tan lejos estaba del objetivo. Después la red neuronal se ajusta para aumentar la exactitud del algoritmo.
  • Aprendizaje reforzado: En este algoritmo, los resultados positivos refuerzan la red neuronal, y los negativos la “castigan”, lo que obliga a la red neuronal a aprender con el tiempo. 

El impacto de las redes neuronales en las inspecciones de fabricación

Digamos que una compañía de piezas automotrices quiere identificar rayones en un parachoques que están fabricando. Bien, no hay manera de identificar dónde se puede producir un rayón en el parachoques. Buscar e identificar rayones no puede realmente programarse eficientemente en una aplicación de visión artificial por la variedad que esto implica: los rayones podrían ser profundos o superficiales, largos o cortos, o aparecer en cualquier lugar en la superficie, etc.

Tener en cuenta esa variación se vuelve complejo a menos, por supuesto, que se haya podido entrenar a una aplicación para que identifique cómo luce un parachoques en buen estado e identificar los que no entran en esos parámetros.

“El análisis de imágenes basado en el Deep Learning, que posibilitan las redes neuronales, permitirá a las compañías automatizar fácilmente las inspecciones que pueden ser realmente complejas o difíciles con la visión artificial tradicional”, afirma Ochiai.“Piense en la verificación de montaje que, mayormente, aún realizan las personas. O la detección de defectos es otro ejemplo de las tareas en las que esta tecnología ayudará a los fabricantes con las estrategias de automatización”.

La prueba de una red neuronal es su gran capacidad para reconocer patrones. Pero, como Ochiai hace notar, las redes neuronales deben tener datos etiquetados de muy alta calidad para entrenar correctamente a sus modelos. Y, para complicar las cosas, necesita muchísimos datos de imágenes de referencia.

Para mayor información sobre el modo en que las redes neuronales y el Deep Learning están resolviendo los complejos desafíos de inspección de fabricación, descargue nuestra guía Deep Learning vs. visión artificial

 
Suscribir

Más publicaciones en

Cómo ayuda una red neural a inspeccionar la fabricación

neural network banner

La generación automática de texto en el correo electrónico, el reconocimiento de voz, el análisis de imágenes médicas, la coloración de fotografías antiguas, la publicidad personalizada en línea, las computadoras de juegos de estrategia y el reconocimiento facial para desbloquear su teléfono móvil son ejemplos del modo en que la inteligencia artificial está haciendo que nuestras vidas sean un poco más fáciles, un poco más divertidas, poco más atemorizantes y, en general, podríamos decir que más interesantes. Y no es diferente en la automatización industrial, donde la inteligencia artificial en la fabricación está impulsando enfoques nuevos para aplicaciones de inspección complejas y desafiantes.

Estas aplicaciones basadas en la inteligencia artificial están impulsadas por el Deep Learning, que se basa en el trabajo de las redes neuronales.

Warren McCullough y Walter Pitts presentaron las redes neuronales por primera vez en 1944. Estos dos investigadores de la Universidad de Chicago se mudaron al MIT en 1952 como miembros fundadores de lo que a veces se conoce como el primer departamento de ciencias cognitivas.

¿Qué es una red neuronal? 

En esencia, las redes neuronales son programas de computadora que están diseñados para imitar el modo en que funciona el cerebro humano. Cada programa en una red neuronal solo puede realizar cálculos básicos. Pero, al conectar numerosos nodos entre sí, la potencia informática del total se vuelve mayor que la suma de sus partes. Cuando una red neuronal pasa datos de entrada de un programa a otro dentro del sistema, la red neuronal se está entrenando a sí misma y usando esos datos para ser más inteligente, de manera similar al modo en que las personas adquirimos información.

Por lo tanto, las redes neuronales se han convertido en el método por el que las computadoras aprenden a ejecutar determinadas tareas, ya sea al reconocer un rostro específico en diferentes fotografías o al identificar qué es o no es un perro a partir de un conjunto de referencias de imágenes de perros.

“Las redes neuronales es lo que realmente hace posible el Deep Learning”, explica Bob Ochiai, gerente de marketing de productos para Deep Learning en Cognex.“Las redes neuronales y el Deep Learning todavía son solo una herramienta para que los seres humanos creemos aplicaciones más inteligentes que nos permitan trabajar con mayor eficiencia y resolver aplicaciones específicas y complejas en la mayoría de los escenarios”.

Cada programa de una red neuronal se denomina neurona, y esas neuronas están conectadas a un número aleatorio de otras neuronas. Cuanto más fuertes y eficaces sean las conexiones entre las neuronas, mejor será el rendimiento de la red neuronal. El proceso de hacer una conexión entre las neuronas dentro de una red neuronal se denomina entrenamiento.

 redes neuronales de Deep Learning

A medida que los datos pasan a través de cada capa de una red neuronal, el sistema se entrena y perfecciona sus resultados para que sean más exactos al resolver la tarea específica para la que se configuró que resolviera. En un entorno de automatización industrial, por ejemplo, las redes neuronales podrían usarse para resolver la detección de defectos complejos o identificar otras irregularidades del producto que son demasiado frecuentes como para crear un programa basado en reglas.

 El sistema se entrena por medio de tres métodos:

  • Aprendizaje supervisado: Esta estrategia de aprendizaje es la más simple, ya que hay un conjunto de datos etiquetados, por el que pasa la computadora, y el algoritmo se modifica hasta que pueda procesar el conjunto de datos para obtener el resultado deseado.
  • Aprendizaje no supervisado: Esta estrategia es de utilidad en los casos en los que no hay un conjunto de datos etiquetados disponible del cual aprender. La red neuronal analiza el conjunto de datos y luego una función de costos le dice a la red neuronal qué tan lejos estaba del objetivo. Después la red neuronal se ajusta para aumentar la exactitud del algoritmo.
  • Aprendizaje reforzado: En este algoritmo, los resultados positivos refuerzan la red neuronal, y los negativos la “castigan”, lo que obliga a la red neuronal a aprender con el tiempo. 

El impacto de las redes neuronales en las inspecciones de fabricación

Digamos que una compañía de piezas automotrices quiere identificar rayones en un parachoques que están fabricando. Bien, no hay manera de identificar dónde se puede producir un rayón en el parachoques. Buscar e identificar rayones no puede realmente programarse eficientemente en una aplicación de visión artificial por la variedad que esto implica: los rayones podrían ser profundos o superficiales, largos o cortos, o aparecer en cualquier lugar en la superficie, etc.

Tener en cuenta esa variación se vuelve complejo a menos, por supuesto, que se haya podido entrenar a una aplicación para que identifique cómo luce un parachoques en buen estado e identificar los que no entran en esos parámetros.

“El análisis de imágenes basado en el Deep Learning, que posibilitan las redes neuronales, permitirá a las compañías automatizar fácilmente las inspecciones que pueden ser realmente complejas o difíciles con la visión artificial tradicional”, afirma Ochiai.“Piense en la verificación de montaje que, mayormente, aún realizan las personas. O la detección de defectos es otro ejemplo de las tareas en las que esta tecnología ayudará a los fabricantes con las estrategias de automatización”.

La prueba de una red neuronal es su gran capacidad para reconocer patrones. Pero, como Ochiai hace notar, las redes neuronales deben tener datos etiquetados de muy alta calidad para entrenar correctamente a sus modelos. Y, para complicar las cosas, necesita muchísimos datos de imágenes de referencia.

Para mayor información sobre el modo en que las redes neuronales y el Deep Learning están resolviendo los complejos desafíos de inspección de fabricación, descargue nuestra guía Deep Learning vs. visión artificial

 
Suscribir

Más publicaciones en

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex