Logotipo de Zephyrnet

Inspección visual de IA para la detección de defectos en la fabricación

Fecha:

detección de defectos inteligencia artificial
Ilustración: © IoT para todos

La inteligencia artificial en la fabricación es un término de moda. Al describir las soluciones de detección de defectos basadas en inteligencia artificial, a menudo se trata de tecnología de inspección visual basada en el aprendizaje profundo y la visión por computadora.

¿Qué es el aprendizaje profundo en una inspección visual?

El aprendizaje profundo es un aspecto de la tecnología de aprendizaje automático impulsado por redes neuronales artificiales. El principio operativo de la tecnología de aprendizaje profundo es enseñar a las máquinas a aprender con el ejemplo. Al proporcionar una red neuronal con ejemplos etiquetados de tipos de datos específicos, es posible extraer patrones comunes entre esos ejemplos y luego transformarlos en una ecuación matemática. Esto ayuda a clasificar información futura.

Con la tecnología de inspección visual, la integración de algoritmos de aprendizaje profundo permite diferenciar partes, anomalías y caracteres, que imitan una inspección visual humana mientras se ejecuta un sistema computarizado. 

Entonces, ¿qué significa exactamente? Usemos un ejemplo:

Si tuviera que crear un software de inspección visual para la fabricación de automóviles, debería desarrollar un algoritmo basado en aprendizaje profundo y entrenarlo con ejemplos de defectos que debe detectar. Con suficientes datos, la red neuronal eventualmente detectará defectos sin instrucciones adicionales.

Los sistemas de inspección visual basados ​​en aprendizaje profundo son buenos para detectar defectos que son de naturaleza compleja. Abordan superficies complejas y defectos cosméticos y generalizan y conceptualizan las superficies de las piezas.

Cómo integrar el sistema de inspección visual de IA

1. Exponga el problema

El desarrollo de la inspección visual a menudo comienza con un análisis comercial y técnico. El objetivo aquí es determinar qué tipo de defectos debe detectar el sistema.

Otras preguntas importantes para hacer incluyen:

  • ¿Qué es el entorno del sistema de inspección visual?
  • ¿La inspección debe ser en tiempo real o diferida? 
  • ¿Hasta qué punto debe el sistema de inspección visual detectar defectos y distinguirlos por tipo?
  • ¿Existe algún software que integre la función de inspección visual o requiere un desarrollo desde cero?
  • ¿Cómo debe el sistema notificar a los usuarios sobre los defectos detectados?
  • ¿Debería el sistema de inspección visual registrar las estadísticas de detección de defectos?
  • Y la pregunta clave: ¿existen datos para el desarrollo de modelos de aprendizaje profundo, incluidas imágenes de productos "buenos" y "malos" y los diferentes tipos de defectos?

Los ingenieros de ciencia de datos eligen la solución técnica óptima y el flujo para proceder en función de las respuestas que reciben.

2. Recopilar y preparar datos

Los ingenieros de ciencia de datos deben recopilar y preparar los datos necesarios para entrenar un modelo futuro antes de que comience el desarrollo del modelo de aprendizaje profundo. Para los procesos de fabricación, es importante implementar el análisis de datos de IoT. Cuando se habla de modelos de inspección visual, los datos a menudo son registros de video, donde las imágenes procesadas por un modelo de inspección visual incluyen cuadros de video. Hay varias opciones para la recopilación de datos, pero las más comunes son:

  1. Tomar una grabación de video existente proporcionada por un cliente
  2. Tomando registros de video de código abierto aplicables para propósitos definidos
  3. Recopilación de datos desde cero de acuerdo con los requisitos del modelo de aprendizaje profundo

Los parámetros más importantes aquí son la calidad de la grabación de video. Los datos de mayor calidad conducirán a resultados más precisos. 

Una vez que recopilamos los datos, los preparamos para el modelado, los limpiamos, verificamos anomalías y aseguramos su relevancia.

3. Desarrollar un modelo de aprendizaje profundo

La selección de un enfoque de desarrollo de modelos de aprendizaje profundo depende de la complejidad de una tarea, el tiempo de entrega requerido y las limitaciones presupuestarias. Hay varios enfoques:

Usar un servicio de desarrollo de modelos de aprendizaje profundo (por ejemplo: Google Cloud ML Engine, Amazon ML, etc.)

Este tipo de enfoque tiene sentido cuando los requisitos para las funciones de detección de defectos están en consonancia con las plantillas proporcionadas por un servicio determinado. Estos servicios pueden ahorrar tiempo y presupuesto, ya que no es necesario desarrollar modelos desde cero. Debe cargar datos y configurar las opciones del modelo de acuerdo con las tareas relevantes. 

¿Cuál es el truco? Estos tipos de modelos no se pueden personalizar. Las capacidades de los modelos se limitan a las opciones proporcionadas por un servicio determinado.

Uso de modelos previamente entrenados

Un modelo previamente entrenado es un modelo de aprendizaje profundo ya creado que realiza tareas similares a las que queremos realizar. No tenemos que construir un modelo desde cero, ya que utiliza un modelo entrenado basado en nuestros datos.

Es posible que un modelo previamente entrenado no cumpla al 100% con todas nuestras tareas, pero ofrece importantes ahorros de tiempo y costos. El uso de modelos previamente entrenados en grandes conjuntos de datos nos permite personalizar estas soluciones de acuerdo con nuestro problema. 

Desarrollo de modelos de aprendizaje profundo desde cero

Este método es ideal para sistemas de inspección visual complejos y seguros. El enfoque puede requerir mucho tiempo y esfuerzo, pero los resultados lo valen. 

Al desarrollar modelos de inspección visual personalizados, los científicos de datos utilizan uno o varios algoritmos de visión por computadora. Estos incluyen clasificación de imágenes, detección de objetos y segmentación de instancias.

Muchos factores influyen en la elección de un algoritmo (s) de aprendizaje profundo. Éstos incluyen:

  • Objetivos comerciales
  • Tamaño de los objetos / defectos 
  • Condiciones de iluminación
  • Número de productos a inspeccionar
  • Tipos de defectos
  • Resolución de imágenes

Un ejemplo de categorías de defectos:

Digamos que estamos desarrollando un modelo de inspección visual para la evaluación de la calidad en edificios. El objetivo principal es detectar defectos en las paredes. Se necesita un extenso conjunto de datos para obtener resultados de inspección visual precisos, ya que las categorías de defectos pueden ser increíblemente diversas, desde pintura descascarada y moho hasta grietas en las paredes. El enfoque óptimo aquí sería desarrollar un modelo basado en segmentación de instancias desde cero. En algunos casos, también es viable un enfoque de modelo previamente entrenado.

Otro ejemplo es una inspección visual para la fabricación de productos farmacéuticos, en la que desea diferenciar las burbujas de aire de las partículas en productos como soluciones parentales altamente viscosas. La presencia de burbujas es la única categoría de defecto aquí, por lo que el conjunto de datos requerido no será tan extenso como en el ejemplo anterior. El enfoque óptimo de desarrollo de modelos de aprendizaje profundo podría ser utilizar un servicio de desarrollo de modelos en lugar de desarrollar uno desde cero.

4. Capacitar y evaluar

El siguiente paso después de desarrollar el modelo de inspección visual es entrenarlo. En esta etapa, los científicos de datos validan y evalúan el rendimiento y la precisión de los resultados del modelo. Un conjunto de datos de prueba es útil aquí. Un sistema de inspección visual puede ser un conjunto de registros de video que están desactualizados o son similares a los que queremos procesar después de la implementación.

5. Implementar y mejorar

Al implementar un modelo de inspección visual, es importante considerar cómo las arquitecturas del sistema de software y hardware se corresponden con la capacidad de un modelo.

Software 

La estructura del software de inspección visual se basa en la combinación de soluciones web para la transmisión de datos y un marco de Python para el procesamiento de redes neuronales. 

El parámetro clave aquí es el almacenamiento de datos. Hay tres formas comunes de almacenar datos: en un servidor local, un servicio de transmisión en la nube o una arquitectura sin servidor. 

Un sistema de inspección visual implica el almacenamiento de registros de video. La elección de una solución de almacenamiento de datos a menudo depende de la funcionalidad del modelo de aprendizaje profundo. Por ejemplo, si un sistema de inspección visual utiliza un gran conjunto de datos, la selección óptima puede ser un servicio de transmisión en la nube.

Materiales

Según la industria y los procesos de automatización, los dispositivos necesarios para integrar el sistema de inspección visual pueden incluir:

  • Cámara: La opción clave de la cámara es la transmisión de video en tiempo real. Algunos ejemplos incluyen IP y CCTV.
  • Puerta: Tanto los dispositivos de hardware dedicados como los programas de software funcionan bien para un sistema de inspección visual.
  • CPU/GPU: Si se necesitan resultados en tiempo real, una GPU sería la mejor opción que una CPU, ya que la primera cuenta con una velocidad de procesamiento más rápida cuando se trata de modelos de aprendizaje profundo basados ​​en imágenes. Es posible optimizar una CPU para operar el modelo de inspección visual, pero no para entrenamiento. Un ejemplo de una GPU óptima podría ser la Supersónico Nano
  • Fotómetro (opcional): Dependiendo de las condiciones de iluminación del entorno del sistema de inspección visual, es posible que se requieran fotómetros.
  • colorímetro (opcional): al detectar el color y la luminancia en las fuentes de luz, los colorímetros de imagen tienen resoluciones espaciales consistentemente altas, lo que permite inspecciones visuales detalladas. 
  • Cámara termográfica (opcional): En caso de inspección automatizada de las tuberías e instalaciones de vapor / agua, es una buena idea tener datos de una cámara termográfica. Los datos de la cámara termográfica proporcionan información valiosa para la detección de fugas de calor / vapor / agua. Los datos de la cámara térmica también son útiles para la inspección del aislamiento térmico.
  • Drones (opcional): Hoy en día es difícil imaginar una inspección automatizada de áreas de difícil acceso sin drones: interiores de edificios, gasoductos, inspección visual de camiones cisterna, inspección de cohetes / lanzaderas. Los drones pueden estar equipados con cámaras de alta resolución que pueden detectar defectos en tiempo real.

Los modelos de aprendizaje profundo están abiertos a mejoras después de la implementación. Un enfoque de aprendizaje profundo puede aumentar la precisión de la red neuronal mediante la recopilación iterativa de nuevos datos y el reentrenamiento del modelo. El resultado es un modelo de inspección visual "más inteligente" que aprende aumentando los datos durante la operación.

Casos de uso de inspección visual

Hospitales

En la lucha contra COVID-19, la mayoría de los aeropuertos y cruces fronterizos ahora pueden revisar a los pasajeros en busca de signos de la enfermedad.

Baidu, la gran empresa de tecnología china, desarrolló un sistema de inspección visual a gran escala basado en IA. El sistema consta de cámaras basadas en visión por computadora y sensores infrarrojos que predicen las temperaturas de los pasajeros. La tecnología, operativa en Estación de tren Qinghe de Beijing, puede proyectar hasta 200 personas por minuto. El algoritmo de IA detecta a cualquier persona que tenga una temperatura superior a 37.3 grados.

Otro caso de la vida real es el sistema basado en aprendizaje profundo desarrollado por Alibaba empresa. El sistema puede detectar el coronavirus en tomografías computarizadas de tórax con una precisión del 96%. Con acceso a datos de 5,000 casos de COVID-19, el sistema realiza la prueba en 20 segundos. Además, puede diferenciar entre neumonía viral ordinaria y coronavirus.

Líneas aéreas

Según Boeing, el 70% del mercado de servicios aeroespaciales de 2.6 billones de dólares se dedica a la calidad y el mantenimiento. En 2018, Airbus introdujo un nuevo sistema automatizado sistema de inspección de aeronaves basado en drones que acelera y facilita las inspecciones visuales. Este desarrollo reduce el tiempo de inactividad de la aeronave y, al mismo tiempo, aumenta la calidad de los informes de inspección.

Automotriz

Toyota acordó recientemente un acuerdo de $ 1.3 mil millones debido a un defecto que causó que los autos aceleraran incluso cuando los conductores intentaron disminuir la velocidad, lo que resultó en 6 muertes en los EE. UU. Uso de las capacidades cognitivas de sistemas de inspección visual como Cognex Vidi, los fabricantes de automóviles pueden analizar e identificar problemas de calidad con mucha más precisión y resolverlos antes de que ocurran.

Fabricación de equipos informáticos

La demanda de diseños de placas de circuito más pequeñas está creciendo. Fujitsu Laboratories ha encabezado el desarrollo de Sistemas de reconocimiento habilitados para IA para la industria electrónica. Informan un progreso significativo en calidad, costo y entrega.

Textil

La implementación de la inspección visual automatizada y un enfoque de aprendizaje profundo ahora pueden detectar problemas de textura, tejido, costura y combinación de colores.

Por ejemplo,  El sistema de inteligencia artificial de Datacolor puede considerar datos históricos de inspecciones visuales pasadas para crear tolerancias personalizadas que coincidan más estrechamente con las muestras.

Concluiremos con una cita del gerente general que mencionamos anteriormente: "No me importa si la tecnología sugerida es la mejor, pero me importa qué tan bien va a resolver mis problemas".

Paneles solares

Se sabe que los paneles solares sufren de polvo y microfisuras. La inspección automatizada de los paneles solares durante la fabricación y antes y después de la instalación es una buena idea para evitar el envío de paneles solares que funcionan mal y la detección rápida de paneles dañados en su granja solar. Por ejemplo, DJI Enterprise usa drones para inspección de paneles solares.

Inspección de tuberías

Se sabe que los oleoductos y oleoductos tienen una longitud enorme. Los últimos datos de 2014 dan un total de poco menos de 2,175,000 millas (3,500,000 km) de tuberías en 120 países del mundo. Las fugas de gas y petróleo pueden provocar daños masivos a la naturaleza por contaminación química, explosiones y conflagraciones.

La inspección por satélite y drones con la ayuda de técnicas de visión por computadora es una buena herramienta para la detección temprana y localización de una fuga de gas / petróleo. Recientemente, DroneDeploy reportaron que mapearon alrededor de 180 millas de tuberías.

Inspección visual de IA: conclusiones clave

  1. Concepto: La inspección visual se basa en los métodos tradicionales de visión por computadora y la visión humana.
  2. Libertad de decidir: El enfoque de desarrollo del modelo de aprendizaje profundo depende de la tarea, el tiempo de entrega y los límites presupuestarios.
  3. Algoritmo: Los algoritmos de aprendizaje profundo detectan defectos imitando un análisis humano mientras se ejecuta un sistema computarizado.
  4. Arquitectura: El software y el hardware deben corresponder a la capacidad del modelo de aprendizaje profundo.
  5. Pregunta principal: Al iniciar una inspección visual, la pregunta principal es "¿Qué defectos debe detectar el sistema?"
  6. Mejoradas: Después de la implementación, el modelo de aprendizaje profundo se vuelve "más inteligente" a través de la acumulación de datos.

PlatoAi. Web3 reinventado. Inteligencia de datos ampliada.
Haga clic aquí para acceder.

Fuente: https://www.iotforall.com/ai-visual-inspection-for-defect-detection-in-man manufacturing

punto_img

Información más reciente

punto_img