Visión de Máquina Para la Detección de Defectos

Juan Ibarra para Mouser Electronics

Seleccionar frutas y verduras en una instalación de clasificación y empaque es increíblemente complejo. Se deben considerar el tamaño, el color, los defectos y más, para todo tipo de selección. Además, hay que hacer esto extremadamente rápido para garantizar la calidad del producto cuando llega al consumidor. En el pasado, todo esto se hacía a mano, con decenas de personas clasificando y empacando frutas manualmente. Ahora, este proceso se simplifica mediante la visión de máquina en almacenes grandes y pequeños. Al utilizar plataformas de iluminación óptica de alta calidad, hardware de adquisición de imágenes y software ajustado con precisión, las máquinas industriales pueden obtener las imágenes de alta calidad necesarias para una detección precisa de defectos. De esta manera, la visión de máquina mejora enormemente la eficiencia, la calidad y la fiabilidad.

Las Complejidades de la Detección de Defectos

Los diversos minoristas y clientes tienen diferentes requisitos para la detección de defectos. Además, los productos alimenticios, en particular, tienen diferentes duraciones de vida útil según su estado en el momento de la inspección. Como si eso no fuera lo suficientemente complicado, la clasificación de defectos es bastante subjetiva cuando se realiza con la vista humana. Y todo eso debe hacerse muy rápidamente, en especial en relación con los empaques. No se requiere una precisión completa, a diferencia de la industria médica, pero el proceso debe ser rápido y confiable. Estamos hablando de un transportador que procesa hasta quince manzanas por segundo; multiplique eso por seis o más carriles y múltiples máquinas, y toneladas de productos se están procesando cada hora, todos los días.

Las condiciones en entornos industriales también plantean un gran desafío para la detección de defectos. Las plantas de empaque son ambientes muy hostiles para los sensores, debido al polvo y las variaciones de temperatura. Las máquinas tienen que operar a temperaturas superiores a 40 °C y deben ser capaces de funcionar cuando hay partículas en el aire.

Cómo la Visión de Máquina Mejora la Detección de Defectos

Hoy en día, la visión de máquina es una de las tecnologías clave utilizadas para reemplazar la inspección visual manual en la detección de defectos. Los sistemas reciben y procesan automáticamente imágenes de objetos reales a través de dispositivos ópticos y sensores. Mientras que la percepción humana está limitada al lado visible del espectro electromagnético, la tecnología de visión de máquina abarca todo el espectro, desde rayos gamma hasta ondas de radio. Combinada con algoritmos de procesamiento de imágenes, la visión de máquina está perfectamente capacitada para detectar defectos con un nivel de precisión, escala y velocidad imposible con alternativas tradicionales.

La capacidad de la visión de máquina para mejorar la eficiencia en la detección de defectos, aumentar el rendimiento en tiempo real y reducir los procesos manuales la convierten en una tecnología vital para procesos industriales a gran escala. Como tal, la visión de máquina ha surgido como la principal tecnología involucrada en la fabricación inteligente. En estos días, el diagnóstico celular está presente en el software de todo: voltajes, cámaras, señales, pulsos, solenoides faltantes y más. Todo se reduce a la capacidad de incorporar numerosos autodiagnósticos que pueden alertar a un ingeniero mecánico o electrónico cuando sea necesario para garantizar la efectividad y confiabilidad continua del sistema.

La Tecnología Detrás de los Sistemas de Visión de Máquina

La mayoría de los sistemas de inspección visual en entornos industriales constan de una plataforma de iluminación óptica, hardware de adquisición de imágenes como cámaras y algoritmos de procesamiento de imágenes para realizar clasificaciones. El procesamiento y análisis de imágenes son esenciales para permitir que las computadoras comprendan, analicen y tomen acciones basadas en las características de las imágenes.

Los sistemas de visión de máquina utilizan un amplio espectro de luz, incluyendo luz ultravioleta, luz invisible, infrarroja y otras, para las plataformas de iluminación óptica. Diferentes luces son adecuadas para distintos defectos y, por lo tanto, necesitan ser probadas. Sin embargo, no se trata solo de observar colores; un sistema de visión de máquina puede medir componentes químicos, por ejemplo, el contenido de clorofila de la fruta. De esta manera, un sistema de visión de máquina puede medir de manera mucho más precisa qué tan madura está esa fruta en comparación con depender solo del color. El mismo proceso ocurre para los defectos: las marcas y manchas producen una firma espectral diferente. Al aplicar un sensor y combinarlo con cámaras y luces, la detección de defectos se vuelve mucho más amplia. Esto incluso funciona para la descomposición que no se muestra externamente. Con la longitud de onda espectral adecuada en el infrarrojo, detectar ciertos tipos de defectos se puede hacer sin necesidad de tocar el artículo en cuestión.

Por supuesto, independientemente de lo sofisticados que sean los sistemas de iluminación óptica y las cámaras, estos solo producen la imagen. El software de computadora procesa esa imagen, toma decisiones y activa solenoides para retirar elementos de la cinta transportadora. Esto requiere hardware, una plataforma de software, controladores, protocolos de red y más. Los Módulos en el Sistema (SOM) a menudo se utilizan para simplificar el proceso de desarrollo y permitir que sensores, cámaras y sistemas de Internet de las Cosas (IoT) se integren. Una de estas soluciones es ConnectCore® 93 SOM de Digi International, que está diseñado para una amplia gama de aplicaciones médicas, industriales, energéticas y de transporte. Los módulos Digi ConnectCore están destinados a dispositivos de borde de alta gama, y ofrecen computación de alto rendimiento e interfaces de cámara que son ideales para proporcionar confiabilidad industrial a dispositivos conectados e integrados. Las especificaciones destacadas incluyen un núcleo Cortex-M33, una unidad de procesamiento neural micro AI/ML Arm Ethos U65 y un circuito integrado de gestión de energía de NXP para una máxima eficiencia energética.

Cómo la IA y el Aprendizaje Profundo Están Cambiando los Sistemas de Visión por Computadora

Aunque inicialmente pudo haber habido cierta vacilación en el uso de la inteligencia artificial (IA), ahora está ingresando cada vez más en los procesos de fabricación. Antes de la IA, el desarrollo de un algoritmo de procesamiento de imágenes se basaba en analizar la morfología, crear umbrales y realizar mediciones y comparaciones para detectar un defecto. Todo era muy complicado, casi completamente manual y, en última instancia, involucraba principalmente ensayo y error. Con la IA y el aprendizaje profundo, es posible capturar miles de imágenes, clasificarlas y luego entrenar a la IA con esos datos.

La inteligencia artificial elimina la indecisión y la subjetividad humanas y garantiza la confiabilidad de los sistemas de visión de máquina. Los datos de entrenamiento iniciales son críticos, y aunque aún implican un proceso manual, es esencial continuar entrenando esos algoritmos de aprendizaje profundo porque cada año surgen diferentes requisitos y sistemas. Sin embargo, pueden implementarse máquinas que estén constantemente guardando imágenes de manera automática, por lo que cuando se requieran cambios, los datos necesarios estarán disponibles para tomar medidas. A medida que avanzamos, la inteligencia artificial sin duda dominará la forma en que se detectan y clasifican los defectos en entornos industriales.

El Futuro de la Visión de Máquinas en Entornos Industriales

En el momento de escribir este artículo, procesar toda esta información requiere computadoras muy potentes con placas increíblemente costosas, y estas son máquinas y sistemas grandes. Imagino que en el futuro, todos estos sistemas sofisticados y costosos se incorporarán en sistemas más pequeños que estarán integrados en las propias cámaras. Como con todo lo demás, se comienza con una herramienta grande y luego se hace más barata y accesible. Entonces, eventualmente, quizás no será necesario tener 50,000 imágenes para clasificar un defecto. Si las tendencias en visión de máquina continúan, es probable que veamos todo simplificado, con reducción en los costos de los sistemas electrónicos y todos estos elementos integrados en un sistema integral.

Otro desarrollo importante en la detección de defectos es la detección de defectos internos. Por ejemplo, en la clasificación de productos agrícolas, el uso de espectrómetros permite a los fabricantes detectar características como los niveles de jugo o el contenido de azúcar y grasa. Por ahora, estos sensores sofisticados son muy costosos y complicados de mantener calibrados. Sin embargo, a medida que las expectativas de los clientes continúen aumentando, también aumentará el uso de estos sensores basados en espectrómetros, lo que permitirá a los fabricantes ofrecer un nivel aún más alto de servicio al cliente.

Conclusión

La detección de defectos ha sido durante mucho tiempo un proceso complicado, especialmente para productos alimenticios. Sin embargo, la visión de máquina aprovecha plataformas de iluminación óptica de alta calidad, hardware de adquisición de imágenes y software ajustado para obtener las imágenes de alta calidad necesarias para mejorar la detección de defectos. Los sistemas de visión de máquina seguirán mejorando la eficiencia, calidad y confiabilidad de la detección de defectos, especialmente a medida que avancen y surjan nuevas tecnologías en el futuro.