Control de calidad en la fabricación: Métodos tradicionales frente a aprendizaje profundo

La inspección de calidad es una tarea crítica durante la fabricación que garantiza que los productos cumplan con los estándares de calidad requeridos. Sin embargo, evaluar la calidad mediante métodos de inspección tradicionales puede resultar costoso a medida que aumenta la complejidad del producto.

Los fabricantes están apostando por técnicas de inspección basadas en deep learning, como la detección de objetos y la segmentación semántica, para reducir los costes de inspección. El deep learning es una subdisciplina de la inteligencia artificial (IA) que utiliza algoritmos informáticos llamados redes neuronales para identificar patrones complejos en los datos. Estas técnicas ayudan a automatizar el flujo de trabajo de inspección y a reducir la dependencia de inspectores humanos mediante el análisis de datasets extensos, que incluyen imágenes y vídeos.

Debido a su versatilidad y rentabilidad, el control de calidad basado en IA impulsa significativamente la rentabilidad empresarial. Los informes sugieren que el sector manufacturero puede ganar más de 3 billones de dólares gracias a la IA para el año 2035.

Este artículo tratará sobre cómo los métodos de deep learning pueden mejorar la inspección de calidad y cómo Ultralytics YOLO11 puede optimizar la inspección en múltiples industrias.

Link to this section¿Qué es la inspección de calidad en la fabricación?#

La inspección de calidad evalúa si un producto presenta defectos, anomalías o inconsistencias antes de llegar al consumidor.

El proceso puede tener lugar durante la producción, cuando el producto se desplaza por una línea de montaje, o después de la producción, antes de que los artículos pasen a la línea de distribución.

A menudo, implica que expertos humanos realicen evaluaciones visuales para comprobar si el producto se desvía de los estándares de diseño deseados o no los cumple.

Sin embargo, a medida que aumentan las exigencias de calidad, los fabricantes recurren a enfoques automatizados de deep learning para lograr una mayor agilidad y escalabilidad en sus operaciones.

Link to this section¿Qué son los enfoques de deep learning?#

Los enfoques de deep learning utilizan redes neuronales artificiales que funcionan bajo los principios del cerebro humano. Las redes son capas interconectadas de neuronas. Cada neurona realiza un cálculo matemático para analizar datos, identificar patrones y generar una predicción.

Fig 1. Red neuronal artificial.

En la inspección de calidad, los modelos de deep learning incluyen marcos de visión artificial que aprenden y extraen automáticamente características de las imágenes de los productos.

El desarrollo de modelos de visión artificial requiere que los expertos entrenen una red neuronal con datasets relevantes y ejecuten validaciones en un nuevo dataset para comprobar el rendimiento.

Una vez validados, los expertos pueden desplegar estos modelos en cámaras y sensores utilizando diversas herramientas de despliegue como PyTorch, ONNX y OpenVINO.

Link to this sectionEnfoques de deep learning para la inspección de calidad#

La inspección de calidad basada en visión utiliza múltiples métodos para detectar y localizar daños, grietas y elementos faltantes. La siguiente lista menciona cuatro enfoques modernos de deep learning.

Link to this sectionClasificación binaria#

La clasificación binaria se refiere a la tarea de categorizar imágenes en una de dos clases, como determinar si un defecto está presente en un objeto o no.

Basándose en datos visuales, un modelo de clasificación genera una decisión binaria de sí/no. Ayudan a detectar elementos que faltan. Por ejemplo, un modelo de clasificación puede detectar si un artículo falta o no en un producto.

Fig 2. Clasificación binaria de una pieza de coche.

Link to this sectionClasificación multiclase#

La clasificación multiclase es la tarea de categorizar imágenes en más de dos clases. Asigna cada imagen a una de varias categorías predefinidas.

Por ejemplo, un modelo de clasificación multiclase puede analizar la imagen de un producto y devolver probabilidades para múltiples tipos de daños o grietas, indicando cuál es el más probable que esté presente.

Fig 3. Clasificación multiclase detectando curvatura y color.

Esto es útil en la fabricación donde varios defectos, como arañazos, abolladuras o grietas, podrían requerir procedimientos de manipulación diferentes.

Link to this sectionLocalización#

La localización se refiere a identificar la ubicación específica de un objeto o característica dentro de una imagen. Utiliza modelos de detección de objetos para predecir bounding boxes o coordenadas que resaltan la región específica del daño.

Esto es útil para tareas como la detección de grietas en edificios o piezas industriales, donde la ubicación precisa de un defecto es necesaria para reparaciones específicas.

Fig 4. Modelo localizando un orificio de perforación.

Por ejemplo, en el mantenimiento de infraestructuras, los modelos de localización pueden analizar imágenes de una estructura de hormigón y marcar el área exacta donde se encuentra una grieta.

Link to this sectionLocalización multiclase#

La localización multiclase identifica y localiza múltiples defectos dentro de una imagen, al mismo tiempo que clasifica cada defecto en una de varias categorías predefinidas.

Utiliza modelos de detección de objetos más avanzados para determinar el tipo y la ubicación de un defecto y ofrecer información más detallada.

Fig 5. Modelo localizando múltiples tipos de defectos.

Por ejemplo, un modelo de localización multiclase puede analizar la imagen de un artículo dañado e indicar el tipo de defecto, como un arañazo o una grieta, y las coordenadas exactas del defecto dentro del objeto.

Link to this sectionEnfoques tradicionales frente a deep learning#

Los métodos de inspección tradicionales son más rígidos, siguiendo reglas y estándares definidos por el usuario, como umbrales, listas de verificación predefinidas y criterios de aprobación/rechazo.

Por ejemplo, en las técnicas de visión basadas en reglas, los expertos definen el color, la forma y el tamaño ideales de un producto en particular. El sistema notifica a los expertos si una cámara u otro dispositivo de captura de imágenes detecta desviaciones respecto a estos estándares.

Deep-learning approaches offer greater flexibility for building more complex detection systems. These approaches involve collecting and annotating extensive datasets of images of defective objects. Experts use the annotated data to train object detection models such as Ultralytics YOLO11. Once trained, they can deploy the model in cameras or sensors to capture images and identify defects in real time.

En la siguiente sección, echaremos un vistazo a cómo se puede utilizar YOLO11 para la inspección de calidad.

Link to this sectionUso de la visión artificial para la inspección de calidad#

You-Only-Look-Once (YOLO) es un modelo de detección de objetos en tiempo real de última generación (SOTA) famoso por su alta precisión, adaptabilidad y velocidad. Su última iteración es Ultralytics YOLO11, que mejora las versiones anteriores en términos de extracción de características, velocidad, precisión y adaptabilidad.

Cuenta con una mejor arquitectura para una extracción de características más precisa e incluye pipelines de entrenamiento optimizados para velocidades de procesamiento más rápidas. Es más eficiente computacionalmente, con un 22% menos de parámetros y puntuaciones de precisión más altas que sus predecesores.

Debido a su versatilidad, YOLO11 puede ayudar a mejorar los flujos de trabajo de inspección de calidad en múltiples dominios. Puede ayudar a detectar anomalías, daños, grietas, elementos faltantes y errores de embalaje en los productos mediante la realización de tareas como la detección y segmentación de objetos.

Echemos un vistazo a algunas formas en las que los modelos de visión artificial pueden utilizarse dentro de la industria manufacturera.

Link to this sectionDetección de artículos faltantes y piezas desplazadas en electrónica#

Los modelos de visión artificial pueden comprobar si un producto tiene todos los elementos necesarios. Pueden detectar componentes faltantes en productos ensamblados para garantizar que estén completos.

En la fabricación de productos electrónicos, identificar componentes faltantes, piezas desalineadas o problemas de soldadura es crucial para garantizar que el producto final sea fiable y tenga la funcionalidad correcta.

Los modelos de detección de objetos como YOLO11 pueden entrenarse para detectar componentes faltantes o desplazados en placas de circuito. Puede analizar imágenes de las placas en tiempo real e identificar defectos como resistencias o condensadores faltantes. Esto garantizará que el ensamblaje de cada unidad sea correcto antes del envío.

Link to this sectionDetección de grietas en piezas de automóvil#

La detección de grietas es otra tarea de detección que analiza imágenes o datos de sensores para determinar la ubicación, el tamaño y la gravedad de una grieta.

La industria automotriz es un ejemplo donde es necesario detectar grietas en múltiples componentes, como engranajes y sistemas de frenado, para garantizar que cumplen con los estándares de seguridad.

Los modelos como YOLO11 pueden entrenarse para detectar rápidamente defectos como arañazos superficiales o grietas en componentes automotrices complejos.

Link to this sectionDetección de daños en textiles#

La visión artificial puede ayudar a detectar varios tipos de daños en la superficie de un producto, como arañazos, abolladuras y deformaciones, utilizando tareas de visión artificial.

La industria textil puede beneficiarse enormemente de la detección de daños basada en IA mediante el uso de modelos de detección y segmentación de objetos como YOLO11. Puede identificar defectos como desgarros, agujeros, manchas o inconsistencias en el tejido durante el proceso de producción.

Link to this sectionDetección de anomalías en la fabricación farmacéutica#

La detección de anomalías se refiere a la tarea de analizar el diseño, la estructura, la apariencia y el tamaño de un producto para evaluar si estas propiedades se desvían de los estándares deseados.

En la fabricación farmacéutica, la detección de anomalías es vital para garantizar la calidad y la seguridad de los medicamentos. Los fabricantes pueden utilizar YOLO11 para detectar irregularidades como inconsistencias en la forma o el tamaño de las pastillas, decoloración o partículas extrañas.

Link to this sectionPrecisión en el embalaje y etiquetado#

Otro ejemplo de cómo pueden utilizarse los modelos de visión artificial en la fabricación es en el embalaje y el etiquetado en diferentes industrias. Por ejemplo, la industria de alimentación y bebidas debe cumplir normas estrictas de seguridad y cumplimiento para el consumidor.

Los modelos como YOLO11 pueden ayudar a detectar errores de embalaje como un etiquetado incorrecto, embalaje dañado o precintos de seguridad faltantes. También puede verificar que las etiquetas tengan la ubicación correcta con códigos de barras claros o fechas de caducidad.

Esto garantiza que los productos cumplan con las regulaciones de la industria y estén listos para la distribución al consumidor.

Link to this sectionDesafíos y direcciones futuras de la inspección de calidad basada en IA#

Los marcos de inspección de calidad basada en IA aún están evolucionando y enfrentan numerosos desafíos. A continuación, se detallan algunas limitaciones y direcciones de investigación futura a tener en cuenta para estas tecnologías.

• Aprendizaje en mundo abierto y visión activa: Crear modelos de detección de objetos para detectar objetos nuevos es un desafío debido a la disponibilidad limitada de datos etiquetados. Los modelos de aprendizaje no supervisado y aprendizaje por transferencia pueden ayudar a los expertos a adaptar rápidamente los marcos de detección a nuevos datasets.
• Detección a nivel de píxel: La segmentación de imágenes permite a los modelos comprender la diferencia entre el fondo y el objeto principal de una imagen. La integración de la detección de objetos y la segmentación es un área de investigación que se desarrolla constantemente para garantizar una inspección de alta calidad.
• Aprendizaje multimodal: Los modelos multimodales pueden integrar y analizar múltiples tipos de datos simultáneamente. En la detección de objetos, el aprendizaje multimodal puede ayudar a mejorar la precisión de la inspección al aprender de diferentes tipos de datos, como datos térmicos para comprender la profundidad, imágenes bidimensionales y clips de vídeo cortos.

Link to this sectionConclusiones clave#

La inspección de calidad basada en deep learning está experimentando un progreso exponencial debido al desarrollo constante de diferentes modelos de detección de objetos. Con la inspección de calidad basada en IA, los fabricantes pueden lograr una mayor escalabilidad y flexibilidad que con los métodos tradicionales.

Las empresas pueden utilizar modelos como YOLO11 para automatizar el proceso de inspección, aprovechando su arquitectura mejorada y sus capacidades de extracción de características, lo que resulta en una mejor precisión y mayor velocidad.

Puedes obtener más información sobre YOLO11 y otros modelos de detección de objetos consultando nuestro repositorio de GitHub e interactuando con nuestra vibrante comunidad. Explora cómo Ultralytics está redefiniendo la fabricación a través de marcos de deep learning de última generación.