Al hacer clic en “Aceptar todas las cookies”, aceptas el almacenamiento de cookies en tu dispositivo para mejorar la navegación del sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información
Configuración de cookies
Al hacer clic en “Aceptar todas las cookies”, aceptas el almacenamiento de cookies en tu dispositivo para mejorar la navegación del sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información
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 utilizando métodos de inspección tradicionales puede ser costoso a medida que aumenta la complejidad del producto.
Los fabricantes están avanzando hacia técnicas de inspección basadas en aprendizaje profundo, como la detección de objetos y la segmentación semántica, para disminuir los costes de inspección. El aprendizaje profundo es un subcampo 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 reducen la dependencia de los inspectores humanos mediante el análisis de extensos conjuntos de datos, incluyendo imágenes y vídeos.
Debido a su versatilidad y rentabilidad, el control de calidad basado en IA aumenta significativamente la rentabilidad empresarial. Los informes sugieren que la industria manufacturera puede obtener más de 3 billones de dólares gracias a la IA para 2035.
Este artículo analizará cómo los métodos de aprendizaje profundo pueden mejorar la inspección de calidad y cómo Ultralytics YOLO11 puede mejorar la inspección en múltiples industrias.
¿Qué es la inspección de calidad en la fabricación?
La inspección de calidad evalúa si un producto tiene defectos, anomalías o inconsistencias antes de llegar al consumidor.
El proceso puede ocurrir durante la producción, donde el producto se mueve a través de una línea de ensamblaje o después de la producción, pero antes de que los artículos se muevan a la línea de distribución.
A menudo, esto implica que expertos humanos realicen evaluaciones visuales para comprobar si el producto se desvía o no cumple las normas de diseño deseadas.
Sin embargo, a medida que aumentan las exigencias de calidad, los fabricantes están recurriendo a enfoques automatizados de aprendizaje profundo para lograr una mayor agilidad y escalabilidad en sus operaciones.
¿Cuáles son los enfoques de aprendizaje profundo?
Los enfoques de aprendizaje profundo utilizan redes neuronales artificiales que funcionan según 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.
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.
El desarrollo de modelos de visión artificial requiere que los expertos entrenen una red neuronal con conjuntos de datos relevantes y ejecuten validaciones en un nuevo conjunto de datos para comprobar el rendimiento.
Enfoques de aprendizaje profundo para la inspección de calidad
La inspección de calidad basada en visión utiliza múltiples métodos para detect y localizar daños, grietas y elementos que faltan. La lista siguiente 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 defecto está presente o no en un objeto.
A partir de datos visuales, un modelo de clasificación emite una decisión binaria sí/no. Ayudan a detect los artículos que faltan. Por ejemplo, un modelo de clasificación puede detect si falta o no un artículo en un producto.
Fig. 2. Clasificación binaria de una pieza de automóvil.
Clasificación multiclase
La clasificación multiclase es la tarea de clasificar 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 la flexión y el color.
Esto es útil en la fabricación, donde varios defectos, como arañazos, abolladuras o grietas, pueden requerir diferentes procedimientos de manejo.
Localización
La localización se refiere a la identificación de 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 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 múltiples defectos dentro de una imagen, a la vez 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 para ofrecer información más detallada.
Fig 5. Modelo que localiza múltiples tipos de defectos.
Por ejemplo, un modelo de localización multiclase puede analizar una 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 vs. de aprendizaje profundo
Los métodos de inspección tradicionales son más rígidos y siguen reglas y estándares definidos por el usuario, como umbrales, listas de verificación predefinidas y criterios de aprobado/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 en particular. El sistema notifica a los expertos si una cámara u otro dispositivo de captura de imágenes detecta desviaciones de estos estándares.
Los métodos de aprendizaje profundo ofrecen mayor flexibilidad para crear sistemas de detección más complejos. Estos enfoques implican la recopilación y anotación de extensos conjuntos de datos de imágenes de objetos defectuosos. Los expertos utilizan los datos anotados para entrenar modelos dedetección de objetos como Ultralytics YOLO11. Una vez entrenados, pueden implantar el modelo en cámaras o sensores para capturar imágenes e identificar defectos en tiempo real.
En la siguiente sección, veremos cómo puede utilizarse 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 (SOTA) de última generación famoso por su gran precisión, adaptabilidad y rapidez. Su última iteración es Ultralytics YOLO11que mejora las versiones anteriores en términos de extracción de características, velocidad, precisión y adaptabilidad.
Presenta 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 desde el punto de vista computacional, con un 22% menos de parámetros y puntuaciones de precisión más altas que sus predecesores.
Gracias a su versatilidad, YOLO11 puede ayudar a mejorar los flujos de trabajo de inspección de calidad en múltiples ámbitos. Puede ayudar a detect anomalías, daños, grietas, elementos que faltan 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 que los modelos de visión artificial se pueden utilizar dentro de la industria manufacturera.
Detección de artículos faltantes y piezas extraviadas en electrónica
Los modelos de visión artificial pueden comprobar si un producto tiene todos los elementos necesarios. Pueden detect componentes que faltan en productos ensamblados para garantizar su integridad.
En la fabricación de productos electrónicos, la identificación de componentes faltantes, piezas desalineadas o problemas de soldadura es crucial para garantizar que el producto final sea fiable y tenga la funcionalidad correcta.
Modelos de detección de objetos como YOLO11 pueden entrenarse para detect componentes que falten o estén mal colocados en placas de circuitos. Puede analizar imágenes de las placas en tiempo real e identificar defectos como la falta de resistencias o condensadores. Esto garantizará que el montaje 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 señalar la ubicación, el tamaño y la gravedad de una grieta.
La industria automotriz es un ejemplo en el que la detección de grietas en múltiples componentes, como engranajes y sistemas de frenos, es necesaria para garantizar que cumplan con los estándares de seguridad.
Modelos como YOLO11 pueden entrenarse para detect rápidamente defectos como arañazos superficiales o grietas en componentes complejos de automoción.
Detección de daños en textiles
La visión por ordenador puede ayudar a detect diversos tipos de daños en la superficie de un producto, como arañazos, abolladuras y deformaciones, mediante tareas de visión por ordenador.
La industria textil puede beneficiarse significativamente de la detección de daños basada en IA utilizando modelos de detección y segmentación de objetos como YOLO11. Puede identificar defectos como desgarros, agujeros, manchas o incoherencias del 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, la apariencia y el tamaño de un producto para evaluar si estas propiedades se desvían de los estándares deseados.
En la fabricación de productos farmacéuticos, la detección de anomalías es vital para garantizar la calidad y seguridad de los medicamentos. Los fabricantes pueden utilizar YOLO11 para detect irregularidades como incoherencias en la forma o el tamaño de los comprimidos, decoloración o partículas extrañas.
Precisión del embalaje y el etiquetado
Otro ejemplo de cómo se pueden utilizar los modelos de visión artificial en la fabricación es en el envasado y etiquetado en las industrias. Por ejemplo, la industria de alimentos y bebidas debe cumplir con normas estrictas de seguridad y cumplimiento del consumidor.
Modelos como YOLO11 pueden ayudar a detect errores de envasado como etiquetado incorrecto, envases dañados o falta de precintos de seguridad. También puede verificar que las etiquetas tienen una colocación correcta con códigos de barras o fechas de caducidad claros.
Esto garantiza que los productos cumplan con las regulaciones de la industria y estén listos para su distribución al consumidor.
Desafíos y direcciones futuras de la inspección de calidad basada en IA
Los marcos de inspección de calidad basados en IA aún están evolucionando y enfrentan numerosos desafíos. Estas son algunas de las limitaciones y futuras direcciones de investigación a tener en cuenta para estas tecnologías.
Aprendizaje en mundo abierto y visión activa: Construir modelos de detección detect objetos para detect objetos nuevos es un reto debido a la limitada disponibilidad de datos etiquetados. La formación no supervisada y los modelos de 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 está desarrollando 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 aprendiendo de diferentes tipos de datos, como datos térmicos para comprender la profundidad, imágenes bidimensionales y metraje de vídeo corto.
Conclusiones clave
La inspección de calidad basada en aprendizaje profundo 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 enfoques 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 se traduce en una mayor precisión y rapidez.
Puede obtener más información sobre YOLO11 y otros modelos de detección de objetos consultando nuestro repositorio de GitHub y participando en nuestra dinámica comunidad. Descubra cómo Ultralytics está redefiniendo la fabricación mediante marcos de aprendizaje profundo de última generación.
