Control de la calidad con visión basada en IA

A ello se suman las dudas que con frecuencia surgen sobre si la visión IA es adecuada para resolver o no una tarea determinada. Desgraciadamente, esto provoca que en demasiados casos la posibilidad de utilizar esta tecnología no se llegue ni a evaluar. También es verdad que, sobre todo en el ámbito industrial, esta tecnología todavía necesita madurar para poder alcanzar el nivel de aceptación del que gozan los métodos tradicionales de procesamiento de imágenes. Por otro lado, hoy en día existen programas informáticos de fácil manejo que permiten incluso a usuarios sin experiencia evaluar e integrar de forma intuitiva en sus aplicaciones sistemas de visión IA.

La ventaja de ser diferente

Precisamente el hecho de que los métodos basados en inteligencia artificial funcionen de manera completamente diferente a los métodos basados en reglas es su mayor ventaja. Esto permite a los desarrolladores crear herramientas de procesamiento de imágenes totalmente nuevas y mucho más intuitivas. Gracias a ellas, por ejemplo, se pueden transferir requisitos de calidad a sistemas de procesamiento de imágenes basados en IA para, a través del aprendizaje automático, optimizar y automatizar los procesos de aseguramiento de la calidad. Muchas veces, además, sin que sea necesario escribir ni una sola línea de código fuente, lo que abre la visión IA a un target completamente nuevo que no necesariamente precisa tener conocimientos de programación. De este modo, el análisis de viabilidad lo pueden realizar los propios empleados —que además suelen ser los que mejor conocen los productos y sus particularidades—, por lo que las empresas ya no dependen necesariamente de programadores y expertos en procesamiento de imágenes para esta primera fase de evaluación.

Increíblemente simple

Vamos a analizar los puntos fuertes de la visión basada en inteligencia artificial a partir del siguiente ejemplo de aplicación de uno de los clientes de IDS. Los ejes giratorios suelen fijarse con circlips. Pero solo un circlip completamente encajado en la ranura del eje garantiza una unión 100 % segura. Un encaje deficiente puede dañar el producto. La orden de control de la calidad parece sencilla en este caso: "Comprueba que el circlip esté correctamente encajado". Sin embargo, lo cierto es que esta comprobación todavía la realizan personas, dado que aún no se ha encontrado una solución de automatización que ofrezca una garantía total. Las pruebas realizadas con sistemas de procesamiento de imágenes basados en reglas pusieron de relieve que estos sistemas solo podían comprobar si el circlip estaba o no presente. En el mejor de los casos podían determinar si las "orejetas" del circlip estaban más separadas de lo debido, pero esto no significa necesariamente que el circlip esté bien encajado. Podría estar simplemente colocado encima. Las diferencias gráficas marginales en caso de error eran difíciles de describir únicamente a partir de reglas.

Un análisis de viabilidad con métodos de aprendizaje automático demostró que solo se necesitaban algunas imágenes de ejemplo de estados correctos e incorrectos —en este caso algo menos de 300— para entrenar una red neuronal que pudiera determinar con una elevada probabilidad el encaje incorrecto del circlip. De este modo solo fue necesario realizar inspecciones visuales manuales en aquellos pocos casos en los que los resultados eran muy inciertos.

Probablemente instintivo

La calidad del funcionamiento de una red neuronal después de un entrenamiento adecuado puede validarse mediante pruebas con imágenes de ejemplo. Una prueba con imágenes de clases de error conocidas proporciona información sobre la precisión del aprendizaje y la calidad de los resultados generados por la IA. Cuanto más se diferencien entre sí las probabilidades de casos BUENO y MALO, más claramente podrá definirse un valor umbral determinante entre BUENO y MALO para, después, reducir al mínimo el número de casos BUENO o MALO detectados erróneamente durante la producción. La varianza determinada durante la prueba también ayuda a optimizar el entorno de producción. Y es que, cuanto menos varíen las condiciones ambientales y, por tanto, el contenido gráfico irrelevante, más concreta será la información de calidad sobre las características diferenciales relevantes, también en el análisis basado en IA.

Todo tiene una explicación

El hecho de que las decisiones de calidad que toma la inteligencia artificial no se puedan explicar del todo mediante un conjunto de reglas claramente definidas y que los algoritmos empleados se parezcan más bien a la caja negra de un avión, no significa que los resultados no sean lógicos y comprensibles. Herramientas como los mapas de atención o mapas de anomalías muestran dónde se encuentran los píxeles de la imagen relevantes para realizar predicciones y qué peso tienen en dichas predicciones. Volviendo a la prueba de los circlips, estas superposiciones señalan, según lo esperado, las características relevantes de las clases de error conocidas. La detección de anomalías, en particular, permite identificar también los casos de error desconocidos y, por tanto, no entrenados. Esto demuestra que los métodos de aprendizaje automático son capaces de ir más allá de los conocimientos entrenados sobre características conocidas e incluso detectar problemas nuevos desconocidos. Así, por ejemplo, una imagen borrosa de la cámara hizo que el mapa de anomalías marcara desviaciones en varios puntos.

Visionaria

La detección de anomalías ofrece una ventaja clave para el aseguramiento de la calidad que no sería tan fácil de obtener con el procesamiento de imágenes tradicional basado en reglas. En este sentido es crucial la capacidad de reconocer cualquier desviación respecto a la norma, incluso aquellas que en el entrenamiento están subrepresentadas, es decir, las que no estaban previstas en absoluto. Así, mientras que otros métodos se muestran inseguros e incluso fallan cuando se encuentran con algo desconocido, a este método "no se le escapa nada". Y esto incluye todo lo que alguna vez en algún momento puede ocurrir durante el funcionamiento normal. La obtención de datos continuos sobre el estado de un sistema, por ejemplo en forma de un incremento de los defectos o desviaciones, es decir, de las anomalías, permite determinar el momento óptimo para realizar el mantenimiento de un sistema antes de que la calidad del producto se resienta o de que se produzca el peor escenario posible, entre ellos una avería de la máquina.