Automatización de la inspección por imágenes con inteligencia artificial

Separar el grano de la paja

Automatización de la inspección por imágenes con inteligencia artificial

Los estrictos requisitos que deben cumplir los productos, la urgencia y una alta presión de costes son factores decisivos para la competitividad en todas las industrias y sectores por igual. Hoy más que nunca la calidad, la seguridad y la rapidez son aspectos que determinan el grado de éxito de una empresa, ya sea en la industria alimentaria o de la automoción. El objetivo es conseguir una producción con cero fallos. Pero, ¿cómo se puede garantizar que los productos que salen de la línea de producción estén libres de fallos al cien por cien? ¿Cómo se pueden evitar los errores en la toma de decisiones sobre calidad, que pueden salir muy caros? Para evitar esos errores de forma fiable se suelen utilizar diversos métodos en el proceso de control de calidad.

Se puede hacer una inspección visual con el ojo humano, pero este método es propenso a los fallos y sale caro, dado que el ojo se fatiga y el tiempo de trabajo tiene un coste elevado. Por su parte, la inspección automática precisa complejos procesos de calibración. Es decir, calibrar y ajustar todos los parámetros tanto del software como del hardware para poder detectar todos y cada uno de los fallos. Además, es necesaria una recalibración después de cualquier cambio de producto o de material. Además, con el enfoque clásico basado en reglas, un programador o procesador de imágenes debe programar reglas específicas para explicar al sistema cómo detectar los errores. Este proceso es laborioso y a menudo resulta una tarea hercúlea casi irresoluble cuando existe una gran variedad de errores. Todo esto puede requerir una inversión desproporcionada de tiempo y de dinero. La empresa alemana sentin GmbH radicada en Bochum desarrolla soluciones con ayuda del aprendizaje profundo y las cámaras industriales de IDS para crear sistemas de control de calidad lo más eficientes, sencillos, fiables y económicos posible con el fin de detectar fallos de forma rápida y fiable. A diferencia del procesamiento de imágenes convencional, una red neuronal aprende a reconocer por sí misma las características del producto mediante imágenes. Y precisamente ese es el enfoque del sistema inteligente sentin VISION System, que utiliza un software de reconocimiento basado en IA capaz de entrenarse con un número reducido de imágenes de ejemplo. Este sistema se combina con una cámara industrial GigE Vision de IDS con sensor CMOS y una unidad de análisis y se puede integrar fácilmente en procesos existentes.

Aplicación

El sistema es capaz de segmentar objetos, patrones e incluso la ubicación del fallo. Tampoco se detiene ante superficies difíciles de registrar. Algunos ejemplos clásicos se encuentran en la industria de la automoción (detección de fallos en superficies metálicas) o en la industria de la cerámica (detección de fallos mediante visibilización de abolladuras en superficies reflectantes), y también en el sector alimentario (reconocimiento de objetos y de patrones).

En función de la aplicación, la IA se entrena para la detección de fallos o de anomalías. En este último caso el sistema aprende por sí solo a diferenciar piezas buenas de piezas malas. Por ejemplo, si se está examinando una textura superficial de una pieza de metal de la industria de la automoción o de una pieza cerámica, los fallos son reconocidos por la inteligencia artificial como divergencias en una comparación con imágenes de referencia. Gracias a la detección de anomalías utilizada y con ayuda de modelos ya entrenados el sistema reconoce anomalías con unas pocas imágenes de ejemplo de piezas buenas.

El hardware requerido para el entrenamiento y el análisis se compone de una cámara industrial IDS y de una iluminación apropiada. Los modelos de reconocimiento utilizados se entrenan con ayuda de imágenes de referencia. Un ejemplo es el sistema y el modelo de IA configurado para la inspección de telas en la industria textil, que suele ser propensa al error. Se trata de una tarea difícil, dado que los fallos pueden ser muy subjetivos y muy pequeños. En colaboración con IDS, se buscó una cámara para el sistema que permitiera obtener unas imágenes óptimas de las telas y tejidos y que se adaptara a los requisitos específicos del cliente. La balanza se decantó por una cámara GigE Vision con sensor CMOS (GV-5880CP), que ofrece datos de alta resolución con precisión temporal de disparo para lograr un análisis exacto de la imagen.

El sistema aprende qué hace que la textura de la tela sea "buena" y con unas pocas imágenes del tejido sabe qué aspecto tiene un producto impecable y libre de errores. Para el control de calidad, la imagen tomada con la cámara IDS Vision CP se transmite al ordenador de análisis a través de la interfaz GigE y se procesa con el modelo de reconocimiento. Dicho ordenador puede diferenciar entre piezas buenas y malas y puede indicar dónde está la divergencia. Cuando encuentra un fallo, emite una señal de salida. Este método permite reducir de forma rápida y sencilla los falsos OK y los pseudorrechazos. Por "falsos OK" se entienden aquellos productos que no se ajustan al nivel de calidad exigido y que han pasado desapercibidos, por lo que no se han retirado y con frecuencia son motivo de reclamación. En cambio, los productos pseudorrechazados son aquellos que cumplen con el estándar de calidad y sin embargo se han rechazado por error.

Tanto el hardware como el software del sistema son flexibles: Si es necesario inspeccionar varias telas a la vez o de más anchura, se pueden añadir más cámaras al sistema sin problemas. Si es necesario, el software también permite reentrenar los modelos de IA. "La experiencia demuestra que siempre es necesario cierto reentrenamiento debido a las pequeñas particularidades de los productos. Con los modelos ya entrenados de nuestra gama se necesita un número reducido de imágenes de referencia para la personalización y el reentrenamiento", dice Christian Els, director y cofundador de sentin. En este caso las imágenes muestran la textura superficial de una tela y una pequeña anomalía filtrada en la imagen de la derecha:

Cámara

Entre los requisitos esenciales que debe cumplir la cámara utilizada se cuentan una captura sumamente precisa de la imagen y un análisis exacto de ésta. Un modelo especialmente adecuado para ese fin es la cámara CMOS GigE Vision GV-5880CP. Dispone del sensor CMOS rolling shutter Sony IMX178 de 1/1.8", que ofrece una excelente resolución de 6,4 MP (3088 x 2076 px, relación de aspecto de 3:2). Consigue frecuencias de imagen de hasta 18 fps con la máxima resolución, por lo que es idóneo para tareas de visualización en el control de calidad. El sensor de la serie STARVIS de Sony, con tecnología BSI, es el sensor con mayor sensibilidad lumínica de la gama de cámaras IDS y, con un registro de 2 electrones por segundo, roza la categoría de los SCMOS (Scientific CMOS). Proporciona unos resultados extraordinarios incluso en condiciones lumínicas muy desfavorables y está disponible en versión monocromo o color. Gracias a que el sensor tiene un tamaño de 1/1.8", se puede elegir entre una gran variedad de objetivos con montura C para la cámara GigE Vision GV-5880CP. "Además de la resolución y la frecuencia de imagen, la interfaz y el precio fueron criterios decisivos a la hora de elegir esta cámara" comenta Arkadius Gombos, director técnico de sentin. La integración en el sistema sentin VISIONse realiza a través de GenTL y una interfaz Python.

La cámara GigE Vision GV-5880CP de IDS garantiza la captura precisa de imágenes y su análisis exacto en la inspección de telas – sentin GmbH
La cámara GigE Vision GV-5880CP de IDS garantiza la captura precisa de imágenes y su análisis exacto en la inspección de telas – sentin GmbH

La comunicación directa con el departamento de desarrollo de IDS nos ha ayudado a ahorrar tiempo en el proceso de integración de la cámara.

— Arkadius Gombos, director técnico de sentin —

Conclusión

El control de calidad automatizado por imagen con inteligencia artificial ofrece muchas ventajas frente al control visual por parte de una persona o de las aplicaciones convencionales de visión artificial. "Con la interpretación de imágenes basada en IA se generan imágenes en las que una persona pueda detectar los fallos, algo que puede hacer también el modelo de IA", resume Christian Els. El sistema aprende a reconocer los requisitos del producto de forma similar a como lo hacen las personas. Pero la inteligencia artificial es superior al cerebro humano en términos de consistencia y fiabilidad. Aunque el cerebro es capaz de lograr un rendimiento muy notable, una inteligencia artificial puede detectar patrones de fallo mucho más complejos. Por otro lado, a diferencia del ojo humano, ninguna cámara se fatiga o pierde capacidad visual. En combinación con un software de reconocimiento de aprendizaje profundo, el sistema de procesamiento de imágenes facilita una inspección especialmente rápida y exacta. En función de la aplicación, la captura y el análisis de las imágenes se pueden llevar a cabo en tan solo unos milisegundos.

El sistema también se puede utilizar en otros ámbitos, como en la inspección de superficies. Otras aplicaciones pueden ser la inspección de superficies de metal o de plástico (habitáculos de automóviles), materiales naturales (piedra, madera) o tejidos técnicos como cuero. Se pueden detectar los arañazos, las grietas y otros defectos y separar los productos afectados.

"Separar el grano de la paja" es un proceso imprescindible en el ámbito del control de calidad. Las cámaras IDS combinadas con el aprendizaje profundo ayudan eficazmente al software de la empresa sentin GmbH a optimizar el reconocimiento de fallos y objetos en procesos de control de calidad. Así, en los sectores y ámbitos de todo tipo se puede disminuir drásticamente el número de reclamaciones, correcciones y pseudorrechazos, con el consiguiente ahorro de tiempo y de trabajo.

USB 3 uEye CP: increíblemente rápida y fiable con sensores increíbles

sentin