Inspección de calidad en la fabricación: métodos tradicionales frente a métodos de aprendizaje profundo
Descubre cómo los últimos modelos de detección de objetos pueden ayudar a automatizar la inspección de calidad en la fabricación.
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 rama 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 amplios 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 enfoques de aprendizaje profundo utilizan redes neuronales artificiales que se basan en los principios del cerebro humano. Las 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 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 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 en 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 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 enfoques de aprendizaje profundo ofrecen mayor flexibilidad para crear sistemas de detección más complejos. Estos enfoques implican recopilar y anotar amplios 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, el modelo puede implementarse 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#
You-Only-Look-Once (YOLO) es un modelo de detección de objetos en tiempo real de última generación (SOTA), conocido por su gran precisión, adaptabilidad y velocidad. Su versión más reciente 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 acelerar el procesamiento. Es más eficiente desde el punto de vista computacional, con un 22 % menos de parámetros y una mayor precisión que sus predecesores.
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, se pueden entrenar para detectar componentes que faltan o están mal colocados en placas de circuitos. Pueden analizar imágenes de las placas en tiempo real e identificar defectos, como resistencias o condensadores que faltan. Así se garantiza que cada unidad esté correctamente montada 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 simultáneamente varios tipos de datos. En la detección de objetos, el aprendizaje multimodal puede 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 breves.
Conclusiones clave#
La inspección de calidad basada en el aprendizaje profundo avanza a un ritmo exponencial gracias al desarrollo constante de distintos 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 enfoques 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 participar en nuestra animada comunidad. Descubre cómo Ultralytics está redefiniendo la fabricación con marcos de aprendizaje profundo de última generación.
