Inspección de calidad en la fabricación: métodos tradicionales frente a métodos de aprendizaje profundo

La inspección de calidad es una tarea fundamental durante la fabricación, ya que garantiza que los productos cumplan los estándares de calidad exigidos. Sin embargo, evaluar la calidad con métodos de inspección tradicionales puede resultar costoso a medida que aumenta la complejidad de los productos.

Los fabricantes están adoptando técnicas de inspección basadas en el aprendizaje profundo, como la detección de objetos y la segmentación semántica, para reducir los costes de inspección. El aprendizaje profundo es una subdisciplina de la inteligencia artificial (IA) que utiliza algoritmos informáticos denominados redes neuronales para identificar patrones complejos en los datos. Estas técnicas ayudan a automatizar el flujo de trabajo de inspección y reducen la dependencia de los inspectores humanos al analizar grandes conjuntos de datos, incluidas imágenes y vídeos.

Gracias a su versatilidad y rentabilidad, el control de calidad basado en IA aumenta considerablemente la rentabilidad empresarial. Según los informes, el sector manufacturero puede obtener más de 3 billones de USD de la IA para 2035.

En este artículo explicaremos cómo los métodos de aprendizaje profundo pueden mejorar la inspección de calidad y cómo Ultralytics YOLO11 puede optimizarla en diversos sectores.

¿Qué es la inspección de calidad en la fabricación?#

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

El proceso puede llevarse a cabo durante la producción, cuando el producto avanza por una cadena de montaje, o después de la producción, pero antes de que los artículos pasen a la línea de distribución.

A menudo, consiste en 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 están adoptando enfoques automatizados basados en el aprendizaje profundo para lograr una mayor agilidad y escalabilidad en sus operaciones.

¿Qué son los enfoques de aprendizaje profundo?#

Los métodos de aprendizaje profundo utilizan redes neuronales artificiales inspiradas en el funcionamiento del cerebro humano. Estas redes están formadas por capas de neuronas interconectadas. 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 aprendizaje profundo incluyen marcos de visión artificial que aprenden y extraen automáticamente características de las imágenes de los productos.

Para desarrollar modelos de visión artificial, los expertos deben entrenar una red neuronal con conjuntos de datos pertinentes y validarla con un nuevo conjunto de datos para comprobar su rendimiento.

Una vez validados, los expertos pueden implementar estos modelos en cámaras y sensores mediante distintas herramientas de implementación, como TorchScript, ONNX y OpenVINO.

Enfoques de aprendizaje profundo para la inspección de calidad#

La inspección de calidad basada en visión utiliza varios métodos para detectar y localizar daños, grietas y elementos que faltan. A continuación se describen cuatro enfoques modernos de aprendizaje profundo.

Clasificación binaria#

La clasificación binaria consiste en clasificar imágenes en una de dos categorías, por ejemplo, determinar si un objeto presenta un defecto o no.

A partir de datos visuales, un modelo de clasificación emite una decisión binaria de sí o no. Estos modelos ayudan a detectar elementos que faltan. Por ejemplo, un modelo de clasificación puede determinar si falta un elemento en un producto.

Fig. 2. Clasificación binaria de una pieza de automóvil.

Clasificación multiclase#

La clasificación multiclase consiste en clasificar imágenes en más de dos categorías. 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 las probabilidades de varios tipos de daños o grietas, indicando cuál es el más probable.

Fig. 3. Clasificación multiclase que detecta defectos de deformación y color.

Esto resulta útil en la fabricación, donde distintos defectos, como arañazos, abolladuras o grietas, pueden requerir procedimientos de tratamiento diferentes.

Localización#

La localización consiste en identificar la ubicación concreta de un objeto o característica dentro de una imagen. Utiliza modelos de detección de objetos para predecir cuadros delimitadores o coordenadas que señalan la región exacta del daño.

Esto resulta útil para tareas como detectar grietas en edificios o piezas industriales, donde es necesario localizar con precisión un defecto para realizar reparaciones específicas.

Fig. 4. Modelo que localiza un orificio de punzonado.

Por ejemplo, en el mantenimiento de infraestructuras, los modelos de localización pueden analizar imágenes de una estructura de hormigón y señalar el punto exacto donde se encuentra una grieta.

Localización multiclase#

La localización multiclase identifica y localiza varios defectos en una imagen y, a la vez, clasifica cada uno 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 que localiza varios 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, así como sus coordenadas exactas dentro del objeto.

Enfoques tradicionales frente a enfoques de aprendizaje profundo#

Los métodos de inspección tradicionales son más rígidos y siguen reglas y estándares definidos por el usuario, como umbrales, listas de comprobación predefinidas y criterios de aprobado o suspenso.

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

Los métodos de aprendizaje profundo ofrecen más flexibilidad para crear sistemas de detección complejos. Estos métodos consisten en recopilar y anotar grandes conjuntos de datos con imágenes de objetos defectuosos. Los expertos utilizan los datos anotados para entrenar modelos de detección de objetos como Ultralytics YOLO11. Una vez entrenado, pueden implementar el modelo en cámaras o sensores para capturar imágenes e identificar defectos en tiempo real.

En la siguiente sección veremos cómo se puede utilizar Ultralytics YOLO11 para la inspección de calidad.

Uso de la visión artificial para la inspección de calidad#

Míralo solo una vez (YOLO) es un modelo de detección de objetos en tiempo real de última generación (SOTA), conocido por su gran precisión, adaptabilidad y velocidad. En el momento de redactar este texto, su versión más reciente era Ultralytics YOLO11 (a la que posteriormente sucedió Ultralytics YOLO26), que mejora las versiones anteriores en cuanto a extracción de características, velocidad, precisión y adaptabilidad.

Cuenta con una arquitectura mejorada que permite extraer características con más precisión e incluye flujos de entrenamiento optimizados para procesar los datos más rápido. También es más eficiente desde el punto de vista computacional: YOLO11m utiliza un 22 % menos de parámetros que YOLOv8m y, al mismo tiempo, alcanza una mayor precisión.

Gracias a su versatilidad, Ultralytics YOLO11 puede ayudar a mejorar los flujos de trabajo de inspección de calidad en diversos ámbitos. Puede detectar anomalías, daños, grietas, elementos que faltan y errores de embalaje en los productos mediante tareas como la detección de objetos y la segmentación.

Veamos algunas formas de utilizar modelos de visión artificial en el sector manufacturero.

Detección de elementos que faltan y piezas mal colocadas en componentes electrónicos#

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

En la fabricación de componentes electrónicos, identificar componentes que faltan, piezas mal alineadas o problemas de soldadura es fundamental para garantizar la fiabilidad y el correcto funcionamiento del producto final.

Los modelos de detección de objetos como YOLO11 pueden entrenarse para detectar componentes ausentes o mal colocados en placas de circuito. Pueden analizar imágenes de las placas en tiempo real e identificar defectos, como resistencias o condensadores que faltan. Los conjuntos de datos públicos, como Detección de componentes de PCB, son un buen punto de partida para entrenar estos modelos. Así se garantiza que el ensamblaje de cada unidad sea correcto antes del envío.

Detección de grietas en piezas de automoción#

La detección de grietas es otra tarea que analiza imágenes o datos de sensores para localizar una grieta y determinar su tamaño y gravedad.

El sector de la automoción es un ejemplo en el que resulta necesario detectar grietas en varios componentes, como engranajes y sistemas de freno, para garantizar que cumplan los estándares de seguridad.

Se pueden entrenar modelos como Ultralytics YOLO11 para detectar rápidamente defectos, como arañazos superficiales o grietas, en componentes de automoción complejos.

Detección de daños en textiles#

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

El sector textil puede beneficiarse considerablemente de la detección de daños basada en IA mediante modelos de detección de objetos y segmentación como Ultralytics YOLO11. Estos modelos pueden identificar defectos, como desgarros, agujeros, manchas o irregularidades en el tejido durante el proceso de producción.

Detección de anomalías en la fabricación farmacéutica#

La detección de anomalías consiste en analizar el diseño, la estructura, el aspecto 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 fundamental para garantizar la calidad y la seguridad de los medicamentos. Los fabricantes pueden utilizar Ultralytics YOLO11 para detectar irregularidades, como variaciones en la forma o el tamaño de los comprimidos, decoloración o partículas extrañas.

Precisión del embalaje y el etiquetado#

Otro ejemplo del uso de modelos de visión artificial en la fabricación es el embalaje y el etiquetado en distintos sectores. Por ejemplo, el sector de la alimentación y las bebidas debe cumplir estándares estrictos de seguridad para el consumidor y de conformidad normativa.

Los modelos como Ultralytics YOLO11 pueden ayudar a detectar errores de embalaje, como etiquetas incorrectas, embalajes dañados o precintos de seguridad que faltan. También pueden verificar que las etiquetas estén bien colocadas y que los códigos de barras y las fechas de caducidad sean legibles.

Esto garantiza que los productos cumplan la normativa del sector y estén listos para su distribución a los consumidores.

Retos y líneas de investigación futuras de la inspección de calidad basada en IA#

Los marcos de inspección de calidad basada en IA siguen evolucionando y afrontan numerosos retos. Estas son algunas limitaciones y líneas de investigación futuras que conviene tener en cuenta para estas tecnologías.

• Aprendizaje en entornos abiertos y visión activa: Crear modelos de detección de objetos capaces de detectar objetos nuevos es complicado debido a la disponibilidad limitada de datos etiquetados. Los modelos de entrenamiento no supervisado y aprendizaje por transferencia pueden ayudar a los expertos a adaptar rápidamente los marcos de detección a nuevos conjuntos de datos.
• Detección a nivel de píxel: La segmentación de imágenes permite que los modelos distingan 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 en constante desarrollo para garantizar inspecciones de alta calidad.
• Aprendizaje multimodal: Los modelos multimodales pueden integrar y analizar varios tipos de datos al mismo tiempo. En la detección de objetos, el aprendizaje multimodal puede mejorar la precisión de las inspecciones al aprender de distintos tipos de datos, como datos térmicos, imágenes bidimensionales y vídeos cortos.

Conclusiones clave#

La inspección de calidad basada en el aprendizaje profundo avanza rápidamente gracias al desarrollo continuo de distintos modelos de detección de objetos. Con la inspección de calidad basada en IA, los fabricantes pueden lograr una escalabilidad y flexibilidad mayores que con los métodos tradicionales.

Las empresas pueden utilizar modelos como Ultralytics YOLO11 para automatizar el proceso de inspección y aprovechar su arquitectura mejorada y sus capacidades de extracción de características, que ofrecen una mayor precisión y velocidad.

Puedes obtener más información sobre YOLO11 y otros modelos de detección de objetos en nuestro repositorio de GitHub y participando en nuestra animada comunidad. Descubre cómo Ultralytics ayuda al sector de la fabricación con la visión artificial.