Machine Vision

La visión artificial (MV) consiste en utilizar cámaras, óptica, iluminación y análisis de imágenes en la automatización industrial para inspeccionar productos, medir piezas, leer códigos y guiar máquinas, de modo que cada resultado desencadene una acción, como rechazar o clasificar una pieza o dirigir un robot. Es la visión artificial por ordenador integrada en un bucle de control: un sistema de visión de una línea de envasado debe tomar cada decisión dentro del tiempo de ciclo de la línea —decenas de milisegundos por pieza en una línea rápida de embotellado— e informar de ella a un controlador lógico programable (PLC) mediante E/S digitales o una red industrial. Sus tareas suelen agruparse en cuatro categorías: guiado (localización de piezas para robots), inspección (detección de defectos y elementos que faltan), medición (cálculo de dimensiones) e identificación (lectura de códigos de barras, códigos Data Matrix y texto impreso mediante el reconocimiento óptico de caracteres).

Visión artificial industrial, visión artificial por ordenador y procesamiento de imágenes#

La visión artificial industrial aplica el procesamiento de imágenes, que transforma las imágenes mediante el filtrado del ruido o el realce de bordes, y la visión artificial por ordenador, que extrae significado de imágenes en cualquier contexto, a máquinas industriales. Se define por su hardware y su integración: iluminación y óptica controladas, cámaras activadas por sensores de la línea, tiempos deterministas y salidas conectadas a actuadores. La diferencia entre los tres campos es principalmente de alcance, y los sistemas modernos de visión artificial industrial ejecutan los mismos modelos de aprendizaje profundo que otras aplicaciones de visión artificial por ordenador.

Componentes de un sistema de visión artificial industrial#

• Iluminación: La iluminación determina lo que puede ver la cámara. Las luces de fondo convierten las piezas en siluetas para medir los bordes con precisión; las luces domo difusas reducen los reflejos en superficies brillantes; las luces de campo oscuro de ángulo bajo resaltan los arañazos y los caracteres en relieve, y las líneas láser proyectadas revelan perfiles de altura en 3D.
• Óptica: Los objetivos telecéntricos mantienen constante el aumento cuando varía la distancia a la pieza, de modo que los resultados de medición no dependen de dónde esté situada la pieza.
• Cámaras: Las cámaras de barrido de área capturan piezas discretas en una exposición; las cámaras de barrido lineal generan imágenes de materiales continuos, como acero, papel y tejidos, fila a fila; y los sensores 3D utilizan triangulación láser, visión estereoscópica o tiempo de vuelo. Los estándares de interfaz, como GigE Vision, USB3 Vision y GenICam, permiten que el software controle cámaras de distintos fabricantes.
• Procesamiento y E/S: Un sensor fotoeléctrico o un codificador activa cada captura, una cámara inteligente o un PC industrial ejecuta el análisis y el resultado se envía al PLC, cada vez más a través de hardware perimetral con GPU o NPU.

Herramientas basadas en reglas y aprendizaje profundo#

El software clásico de visión artificial industrial encadena herramientas deterministas: umbralización, análisis de componentes, detección de bordes, comparación de patrones y calibres que miden la distancia entre bordes. Este ejemplo realiza un análisis de componentes en una foto de monedas para contarlas y medir su tamaño:

import numpy as np
from scipy import ndimage as ndi
from skimage import data, filters, measure, segmentation

# Grayscale photo of 24 Greek coins on a gray background, bundled with scikit-image
image = data.coins()

# Seed the background (dark) and the parts (bright), then grow both along edge strength
markers = np.zeros_like(image)
markers[image < 30] = 1
markers[image > 150] = 2
mask = ndi.binary_fill_holes(segmentation.watershed(filters.sobel(image), markers) == 2)

# Blob analysis: label each part, ignore specks, and gauge each diameter in pixels
parts = [r for r in measure.regionprops(measure.label(mask)) if r.area > 300]
diameters = [part.equivalent_diameter_area for part in parts]
print(f"{len(parts)} parts, diameters {min(diameters):.0f}-{max(diameters):.0f} px")

Imprime 24 parts, diameters 37-63 px: encuentra y mide todas las monedas, y un sistema de producción compararía cada diámetro con una tolerancia y enviaría el resultado al PLC. El fondo de esta foto se aclara hacia la parte superior izquierda y tiene niveles de gris similares a los de las monedas, así que un único umbral global de Otsu divide la imagen en 96 componentes; una iluminación controlada evitaría este problema en una línea de producción.

Las herramientas basadas en reglas son rápidas, explicables y exactas para piezas con geometría fija, pero tienen dificultades con variaciones naturales como las vetas de la madera, los alimentos o los defectos cosméticos, que adoptan muchas formas. Los modelos de detección de objetos, segmentación de instancias y detección de anomalías aprenden estos casos a partir de ejemplos. Un modelo de segmentación YOLO26 entrenado con imágenes de defectos traza arañazos y grietas píxel a píxel, y el modo de exportación de Ultralytics lo convierte a TensorRT u OpenVINO para que la inferencia en tiempo real se ajuste al tiempo de ciclo de la línea en un PC industrial o en NVIDIA Jetson.

Aplicaciones en el mundo real#

• Inspección óptica automatizada: Las líneas de electrónica inspeccionan las placas de circuito impreso para detectar componentes ausentes, desplazados o invertidos y soldaduras defectuosas; a menudo realizan una inspección 3D de la pasta de soldadura antes de colocar los componentes.
• Inspección farmacéutica y de envasado: Los sistemas verifican los niveles de llenado, los tapones y las etiquetas, y el OCR lee el código de lote y la fecha de caducidad impresos en cada envase.
• Robótica guiada por visión: Los robots localizan piezas apiladas al azar para recogerlas de un contenedor; para elegir cómo agarrarlas, utilizan sensores 3D y estimación de pose.
• Fabricación de automóviles: Los sensores 3D miden la separación y el enrasado entre los paneles de la carrocería, y las cámaras comprueban el acabado de la pintura y las soldaduras antes de que los vehículos salgan de la línea.