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

La inspección de calidad es una tarea crítica durante la fabricación que garantiza que los productos cumplan los estándares de calidad requeridos. Sin embargo, evaluar la calidad mediante 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 un subcampo de la inteligencia artificial (AI) 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 reducen la dependencia de los inspectores humanos mediante el análisis de extensos conjuntos de datos, incluidas imágenes y vídeos.

Gracias a su versatilidad y rentabilidad, la garantía de calidad basada en AI aumenta significativamente la rentabilidad empresarial. Los informes sugieren que la industria manufacturera puede obtener más de 3 billones de USD gracias a la AI de aquí a 2035.

En este artículo analizaremos cómo los métodos de aprendizaje profundo pueden mejorar la inspección de calidad y cómo Ultralytics YOLO11 puede optimizar la inspección en múltiples industrias.

¿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 realizarse durante la producción, cuando el producto avanza por una línea de montaje, o después de la producción, pero 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 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 enfoques de aprendizaje profundo utilizan redes neuronales artificiales que funcionan siguiendo 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 aprendizaje profundo incluyen marcos de visión artificial que aprenden y extraen automáticamente características de las imágenes de los productos.

Desarrollar modelos de visión artificial requiere que expertos entrenen una red neuronal con conjuntos de datos relevantes y ejecuten validaciones sobre un conjunto de datos nuevo para comprobar su rendimiento.

Una vez validados, los expertos pueden implementar estos modelos en cámaras y sensores utilizando diversas herramientas de implementación, como PyTorch, 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 ausentes. La siguiente lista menciona cuatro enfoques modernos de aprendizaje profundo.

Clasificación binaria#

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

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

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

Clasificación 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 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 diversos defectos, como arañazos, abolladuras o grietas, pueden requerir procedimientos de manipulación diferentes.

Localización#

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

Esto resulta útil para tareas como la detección de grietas en edificios o piezas industriales, donde la ubicación precisa de un defecto es necesaria 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 marcar el área exacta donde se encuentra una grieta.

Localización multiclase#

La localización multiclase identifica y localiza varios defectos dentro de una imagen y, además, 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 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, y las coordenadas exactas del defecto 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/no aprobado.

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 enfoques basados en el aprendizaje profundo ofrecen mayor flexibilidad para crear sistemas de detección más complejos. Estos enfoques implican recopilar y [anotar](https://ultralytics-translation-0.invalid extensos conjuntos de datos de imágenes de objetos defectuosos. Los expertos utilizan los datos anotados para entrenar modelos de detección de objetos, como Ultralytics YOLO11. Una vez entrenado, el modelo puede implementarse en cámaras o sensores para capturar imágenes e identificar defectos en tiempo real.

En la siguiente sección, veremos cómo puede utilizarse Ultralytics YOLO11 para la inspección de calidad.

Uso 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 vanguardia (SOTA), famoso por su alta precisión, adaptabilidad y velocidad. Su última iteración es Ultralytics YOLO11, que mejora las versiones anteriores en cuanto a extracción de características, velocidad, precisión y adaptabilidad.

Cuenta con una arquitectura mejorada para una extracción de características más precisa e incluye canalizaciones de entrenamiento optimizadas para alcanzar mayores velocidades de procesamiento. Es más eficiente desde el punto de vista computacional, con un 22 % menos de parámetros y puntuaciones de precisión superiores a las de sus predecesores.

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

Veamos algunas formas en las que los modelos de visión artificial pueden utilizarse en la industria manufacturera.

Detección de elementos ausentes y piezas mal colocadas en productos electrónicos#

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

En la fabricación de productos electrónicos, identificar componentes ausentes, piezas desalineadas o problemas de soldadura es crucial para garantizar que el producto final sea fiable y funcione correctamente.

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

Detección de grietas en piezas de automóviles#

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

La industria automovilística 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.

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

Detección 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, mediante tareas de visión artificial.

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

Detección de anomalías en la fabricación farmacéutica#

La detección de anomalías se refiere a la tarea de 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 vital para garantizar la calidad y la seguridad de los medicamentos. Los fabricantes pueden utilizar Ultralytics YOLO11 para detectar irregularidades, como incoherencias en la forma y 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 se encuentra en el embalaje y el etiquetado de distintos sectores. Por ejemplo, la industria de la alimentación y las bebidas debe cumplir estrictos estándares de seguridad y conformidad para los consumidores.

Los modelos como Ultralytics YOLO11 pueden ayudar a detectar errores de embalaje, como un etiquetado incorrecto, embalajes dañados o precintos de seguridad ausentes. También puede verificar que las etiquetas estén colocadas correctamente y que los códigos de barras o 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 futuras líneas de trabajo de la inspección de calidad basada en AI#

Los marcos de inspección de calidad basada en AI siguen evolucionando y se enfrentan a numerosos retos. Estas son algunas limitaciones y futuras líneas de investigación que debes 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 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 continuamente para garantizar una inspección de alta calidad.
• Aprendizaje multimodal: Los modelos multimodales pueden integrar y analizar simultáneamente varios tipos de datos. En la detección de objetos, el aprendizaje multimodal puede ayudar a mejorar la precisión de la inspección al aprender de distintos tipos de datos, como datos térmicos para comprender la profundidad, imágenes bidimensionales y secuencias de vídeo cortas.

Conclusiones clave#

La inspección de calidad basada en el aprendizaje profundo está experimentando un progreso exponencial debido al desarrollo constante de distintos modelos de detección de objetos. Con la inspección de calidad basada en AI, los fabricantes pueden lograr una mayor escalabilidad y flexibilidad que con los enfoques tradicionales.

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

Puedes obtener más información sobre YOLO11 y otros modelos de detección de objetos consultando nuestro repositorio de GitHub y participando en nuestra activa comunidad. Descubre cómo Ultralytics está redefiniendo la fabricación mediante marcos de aprendizaje profundo de vanguardia.