Al hacer clic en "Aceptar todas las cookies", usted acepta el almacenamiento de cookies en su dispositivo para mejorar la navegación por el sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información en
Configuración de cookies
Al hacer clic en "Aceptar todas las cookies", usted acepta el almacenamiento de cookies en su dispositivo para mejorar la navegación por el sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información en
La inspección de calidad es una tarea crítica durante la fabricación que garantiza que los productos cumplen las normas de calidad exigidas. Sin embargo, evaluar la calidad con métodos de inspección tradicionales puede resultar costoso a medida que aumenta la complejidad del producto.
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 (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 a reducir la dependencia de los inspectores humanos mediante el análisis de amplios conjuntos de datos, incluidas imágenes y vídeos.
Gracias a su versatilidad y rentabilidad, la garantía de calidad basada en la IA aumenta significativamente la rentabilidad de las empresas. Los informes sugieren que la industria manufacturera puede ganar más de 3 billones de dólares con 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 presenta defectos, anomalías o incoherencias antes de llegar al consumidor.
El proceso puede tener lugar durante la producción, cuando el producto pasa por una cadena de montaje, o después de la producción, pero antes de que los artículos pasen a la cadena de distribución.
A menudo, implica que expertos humanos realicen evaluaciones visuales para ver si el producto se desvía de las normas de diseño deseadas o no las cumple.
Sin embargo, a medida que aumentan las exigencias de calidad, los fabricantes están adoptando enfoques automatizados de 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 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 por ordenador que aprenden y extraen automáticamente características de las imágenes de los productos.
El desarrollo de modelos de visión por ordenador requiere que los expertos entrenen una red neuronal en conjuntos de datos pertinentes 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 detectar 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 objeto presenta o no un defecto.
A partir de datos visuales, un modelo de clasificación emite una decisión binaria sí/no. Ayudan a detectar los artículos que faltan. Por ejemplo, un modelo de clasificación puede detectar 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 más probable que esté presente.
Fig. 3. Clasificación multiclase que detecta la curvatura y el color.
Esto resulta útil en la fabricación, donde diversos defectos, como arañazos, abolladuras o grietas, pueden requerir distintos procedimientos de manipulación.
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 cuadros delimitadores 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 es necesaria la localización precisa de un defecto para realizar reparaciones específicas.
Fig. 4. Modelo de localización de 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 la zona exacta donde se encuentra una grieta.
Localización multiclase
La localización multiclase identifica y localiza múltiples defectos en una imagen, al 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 de localización de múltiples tipos de defectos.
Por ejemplo, un modelo de localización multiclase puede analizar una imagen de un objeto 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 al aprendizaje profundo
Los métodos de inspección tradicionales son más rígidos y siguen reglas y normas definidas 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 determinado producto. El sistema notifica a los expertos si una cámara u otro dispositivo de captación de imágenes detecta desviaciones de estas normas.
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 captar imágenes e identificar defectos en tiempo real.
En la siguiente sección, veremos cómo puede utilizarse YOLO11 para la inspección de calidad.
Utilización de la visión por ordenador 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 velocidad. Su última iteración es Ultralytics YOLO11, que mejora las versiones anteriores en términos de extracción de características, velocidad, precisión y adaptabilidad.
Presenta una arquitectura mejorada para una extracción de características más precisa e incluye canales de formación optimizados para una mayor velocidad de procesamiento. Es más eficiente desde el punto de vista computacional, con un 22% menos de parámetros y mayores puntuaciones de precisión 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 detectar 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.
Veamos algunas formas de utilizar los modelos de visión por ordenador en la industria manufacturera.
Detección de elementos perdidos y piezas extraviadas en electrónica
Los modelos de visión por ordenador pueden comprobar si un producto tiene todos los elementos necesarios. Pueden detectar componentes que faltan en productos ensamblados para garantizar su integridad.
En la fabricación de productos electrónicos, identificar los componentes que faltan, las piezas desalineadas o los problemas de soldadura es crucial para garantizar que el producto final sea fiable y tenga la funcionalidad adecuada.
Los modelos de detección de objetos como YOLO11 pueden entrenarse para detectar 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 determinar la ubicación, el tamaño y la gravedad de una grieta.
La industria del automóvil 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 las normas de seguridad.
Modelos como YOLO11 pueden entrenarse para detectar rápidamente defectos como arañazos superficiales o grietas en componentes complejos de automoción.
Detección de daños en textiles
La visión por ordenador puede ayudar a detectar 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 de productos farmacéuticos
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 las normas deseadas.
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 detectar irregularidades como incoherencias en la forma o el tamaño de los comprimidos, decoloración o partículas extrañas.
Precisión de envasado y etiquetado
Otro ejemplo de cómo pueden utilizarse los modelos de visión por ordenador en la fabricación se encuentra en el envasado y etiquetado en las industrias. Por ejemplo, el sector de la alimentación y las bebidas debe cumplir estrictas normas de seguridad y conformidad de los consumidores.
Modelos comoYOLO11 pueden ayudar a detectar 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.
Así se garantiza que los productos cumplan la normativa del sector y estén listos para su distribución al consumidor.
Retos y orientaciones futuras de la inspección de calidad basada en IA
Los marcos de inspección de la calidad basados en IA siguen evolucionando y se enfrentan a numerosos retos. He aquí 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 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 y la segmentación de objetos es un área de investigación en constante desarrollo para garantizar una inspección de alta calidad.
Aprendizaje multimodal: Los modelos multimodales pueden integrar y analizar varios tipos de datos simultáneamente. En la detección de objetos, el aprendizaje multimodal puede ayudar a mejorar la precisión de la inspección aprendiendo de distintos tipos de datos, como datos térmicos para comprender la profundidad, imágenes bidimensionales y secuencias cortas de vídeo.
Principales conclusiones
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.