BAÜP

Control de calidad con visión artificial

La aparición de productos defectuosos en los procesos industriales incrementa los costes de las empresas, disminuye la vida media de los productos y resulta en un desperdicio de recursos.

La labor de detectar defectos es una competencia clave que las empresas deben poseer de cara a mejorar la calidad de sus productos sin que esto afecte la producción.

Sabemos que la tecnología de detección de defectos automática posee ventajas frente a la detección manual, ya que se adapta a cualquier ambiente y funciona a largo plazo con gran precisión y eficacia. Si pensamos en las tareas repetitivas y monótonas de inspección visual realizadas por los operarios, nos damos cuenta de que el rendimiento y la fiabilidad de la inspección puede decaer rápidamente. También se debe tener en cuenta la inherente subjetividad humana que hace que dos operarios distintos proporcionen resultados diferentes ante la misma situación.

SOLUCIÓN

Una empresa manufacturera nos plantea el reto de detectar defectos en determinadas piezas de forma automática, con poca intervención de los operarios.

La verificación mediante visión por computador supone mayor rapidez y constancia a lo largo del tiempo, abordando los inconvenientes de la inspección manual de otro modo. Sin embargo, esta técnica todavía necesita bastante apoyo manual para su correcto funcionamiento, sobre todo cuando un cierto numero de ajustes y configuraciones son necesarios antes de testar. Estas técnicas tradicionales de inspección permiten evaluar parámetros como la orientación, la presencia o no de piezas, medición, etc, pero exigen parametrización por parte de un usuario y no permiten detectar defectos a nivel de la superficie como deformaciones, rayaduras, abolladuras, etc.

Las técnicas innovadoras de visión artificial, como puede ser el empleo de Deep Learning , son más versátiles y autónomas. A través del empleo de algoritmos, no es necesaria la intervención de una persona trabajadora para configurar todos los pasos (forma, orientación, etc), si no que el “trabajo” de encontrar (o en este caso, aprender) las características y umbrales es del propio modelo de aprendizaje automático.

BAÜP ha desarrollado un algoritmo de Deep Learning para esta labor de detección de fallos que, a partir de una dada imagen, la clasifica como “ok” o “no ok”, según el tipo de defecto encontrado.