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

La inspección de calidad es una tarea fundamental durante la manufacturing 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 avanzan hacia técnicas de inspección basadas en deep learning, como la object detection y la semantic segmentation, para reducir los costes de inspección. El deep learning es un subcampo de la artificial intelligence (AI) que utiliza computer algorithms denominados 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 al analizar grandes datasets, incluyendo 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 analizará cómo los métodos de deep learning pueden mejorar la inspección de calidad y cómo Ultralytics YOLO11 puede potenciarla en múltiples industrias.

¿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.

¿Qué son los enfoques de deep learning?#

Los enfoques de deep learning utilizan artificial neural networks que funcionan según los principios de un 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 computer vision 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 cameras y sensores utilizando diversas deployment tools como PyTorch, ONNX y OpenVINO.

Enfoques 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.

Clasificación binaria#

La Binary classification hace referencia a la tarea de categorizar imágenes en una de dos clases, como determinar si un objeto presenta o no un defecto.

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 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 múltiples tipos de daños o grietas, indicando cuál es el más probable que esté presente.

Fig 3. Clasificación multiclase que detecta dobleces y colores.

Esto resulta útil en la fabricación, donde diversos defectos, como arañazos, abolladuras o cracks, pueden requerir diferentes procedimientos de manipulación.

Localización#

La localización se refiere a identificar la ubicación específica de un objeto o característica dentro de una imagen. Utiliza object detection models 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 precise location de un defecto es necesaria para reparaciones específicas.

Fig 4. Modelo que localiza un agujero 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 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 que localiza 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.

Enfoques 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.

Los enfoques de deep learning ofrecen una mayor flexibilidad para construir sistemas de detección más complejos. Estos enfoques implican recopilar y annotating extensos conjuntos de datos de imágenes de objetos defectuosos. Los expertos utilizan los datos anotados para entrenar object detection models como Ultralytics YOLO11. Una vez entrenados, pueden desplegar 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 el control 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 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 feature extraction, velocidad, precisión y adaptabilidad.

Presenta una arquitectura mejorada para una extracción de características más precise e incluye training pipelines optimizados para velocidades de procesamiento más rápidas. Es más eficiente desde el punto de vista computacional, con un 22% menos de parámetros y puntuaciones de precisión más altas que sus predecesores.

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

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

Detección 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 se pueden entrenar para detectar componentes faltantes o mal colocados en placas de circuito impreso. Pueden 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 de su envío.

Detección 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 automotive es un ejemplo en el que la detección de grietas en múltiples componentes, como engranajes y sistemas de frenado, es necesaria para garantizar que cumplen con las normas de seguridad.

Modelos como Ultralytics YOLO11 se pueden entrenar para detectar rápidamente defectos como arañazos superficiales o grietas en componentes complejos de automoción.

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, utilizando tareas de visión artificial.

La industria textil puede beneficiarse significativamente de la detección de daños basada en IA mediante el uso de modelos de detección de objetos y segmentación como Ultralytics YOLO11. Puede identificar defectos como roturas, agujeros, manchas o inconsistencias en la tela 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, 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 fundamental para garantizar la calidad y seguridad de los productos farmacéuticos. Los fabricantes pueden utilizar Ultralytics YOLO11 para detectar irregularidades como inconsistencias en la forma o tamaño de las tabletas, decoloración o partículas extrañas.

Precisión 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.

Modelos como Ultralytics YOLO11 pueden ayudar a detectar errores de embalaje como un etiquetado incorrecto, embalaje dañado o sellos 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.

Desafíos y direcciones futuras de la inspección de calidad basada en IA#

Los marcos de AI-based quality inspection aún están evolucionando y se enfrentan a numerosos retos. A continuación, se presentan algunas limitaciones y futuras líneas de investigación a tener en cuenta para estas tecnologías.

• Aprendizaje en mundo abierto y visión activa: Construir modelos de detección de objetos para detectar nuevos objetos es complicado debido a la disponibilidad limitada de datos etiquetados. Los modelos de Unsupervised training y transfer learning 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 en una imagen. Integrar la detección de objetos y la segmentation es un área de investigación en constante desarrollo para garantizar una inspección de alta calidad.
• Aprendizaje multimodal: Los modelos multimodales pueden integrar y analizar múltiples tipos de datos de forma simultánea. En la detección de objetos, el aprendizaje multimodal puede ayudar a mejorar la accuracy de la inspección al aprender de diferentes tipos de datos, tales como datos térmicos para comprender la profundidad, imágenes bidimensionales y secuencias de vídeo cortas.

Conclusiones 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 Ultralytics YOLO11 para automatizar el proceso de inspección, aprovechando su arquitectura mejorada y sus capacidades de extracción de características que se traducen en una mayor precisión y mayor velocidad.

Puedes obtener más información sobre YOLO11 y otros modelos de detección de objetos consultando nuestro GitHub repository y participando en nuestra activa community. Explora cómo Ultralytics está redefiniendo la manufacturing a través de marcos de deep learning de última generación.