Índice del artículo
Deep Learning es una tecnología que está revolucionando el control de calidad en los procesos industriales. Aquí te contamos qué la hace especial.
Por Rafael R. Páez Yrigoyen, CEO de vAIsor
Deep Learning es una tecnología inteligente está llevando a otro nivel de eficiencia los procesos de inspección y control de calidad en los fabricantes.
El Covid-19 ha sido un catalizador para impulsar la adopción de nuevas tecnologías. Y los fabricantes no han sido la excepción. Durante la parte más crítica de la pandemia y ante la falta de personal, muchas fábricas vieron en las tecnologías de Industria 4.0 la única forma de mantener sus líneas de producción en marcha.
Algunos de los casos de uso que tuvieron más auge como resultado de esta situación fueron aquellos que buscaban resolver problemas de defectos de calidad. ¿Por qué? Porque esta labor suele llevarse a cabo en una combinación entre sistemas automatizados de visión artificial con inspecciones visuales de los operarios.
¿Por qué deep learning se volvió crucial en el control de calidad?
Y ante la falta de operarios, los fabricantes tuvieron que buscar nuevas opciones. Aquí es cuando cobra fuerza la tecnología conocida como Deep Learning, una de las ramas de la inteligencia artificial que está sentando un precedente en los sistemas de control de calidad: mayor nivel de eficiencia en las inspecciones a menor costo. Pocos pueden ofrecer algo similar.
Utilizar visión artificial o machine vision -sin incluir deep learning– en control de calidad no es algo nuevo. Es el estándar anterior en los sistemas de inspección visual y, según la revista digital especializada en industria IEEE Spectrum, se basa en dos pasos:
1) La cámara
- Una cámara montada en la línea de producción recopila las imágenes, pero hay un experto que analiza esas fotos y decide cuáles características son importantes para entender que hay un problema determinado. Por ejemplo, manchas, golpes, ralladuras, etcétera.
2) El sistema de reglas
- El experto crea un sistema basado en reglas que se ajusta manualmente, con diversos rangos de tolerancia o anomalías. Con base en ello, el sistema decide en automático qué producto no está en dichos rangos.
Aunque han sido históricamente eficientes en general, el problema de estos sistemas es que son rígidos y necesitan constantes ajustes para seguir funcionando ante nuevos parámetros o anomalías.
No solo eso. Estos sistemas no pueden distinguir diferentes tipos de defectos para un mismo producto. Por ejemplo, si el sistema tradicional está programado para inspeccionar ralladuras en una lámina de metal que pasa por un conveyor, no es capaz de detectar si tiene algún otro tipo de defecto. Son sistemas lineales y rígidos en su funcionamiento.
Y aquí es cuando deep learning transforma el control de calidad
La irrupción de Deep Learning en el control de calidad aporta nuevas capacidades a los sistemas de inspección visual por una simple, pero poderosa razón: son capaces de aprender a partir de los datos. ¿De qué datos? De imágenes descompuestas en pixeles que se traducen en datos digitales.
Para que esto suceda, un grupo de expertos recopila una serie representativa de imágenes que muestran piezas con y sin defectos. A mayor número de defectos, mayor el dataset que se necesita. Posteriormente, hay que etiquetar los defectos para entrenar un algoritmo que será capaz, eventualmente, de aprender a detectar variaciones de esas anomalías que no fueron mostradas específicamente en las imágenes.
Es decir, establecen un criterio que va siendo educado con el tiempo y la experiencia de ese proceso. Desde luego, el criterio humano siempre estará ahí como el órgano supremo de decisión, pero el trabajo rudo podrá delegarse cada vez más a estos sistemas de visión artificial.
Quizá la parte complicada o que exige mucho tiempo es la recolección de cientos o miles de imágenes con defectos. Esto es porque los fabricantes suelen ser muy consistentes en su producción. Para lo cual también ya hay una serie de herramientas muy poderosas que abordaré en futuras entregas, pero tienen que ver con la creación digital de imágenes sintéticas de esos defectos.
Entonces, ¿necesitas deep learning en el control de calidad?
En resumen, es un hecho que los equipos con talento altamente especializado y las soluciones que cada día aparecen en el mercado van resolviendo, poco a poco, estas problemáticas. Las cosas son así: deep learning es una tecnología emergente que resuelve muchos problemas, entre ellos el del control de calidad en los fabricantes.
Pero no nos olvidemos de que hablamos de tecnologías emergentes que tienen mucho potencial de resolver problemas al interior de las fábricas, pero que siguen enfrentando el reto más complicado de todos: la resistencia al cambio, a probar, experimentar e innovar.
Te invito a ser factor de cambio en tu organización, que, a final de cuentas, es el factor más importante para que evolucione y perdure.
Este artículo se publicó originalmente en Cluster Industrial