Machine Vision

La visión artificial se refiere a la integración de sensores ópticos, hardware de imágenes digitales y algoritmos de procesamiento de imágenes en equipos industriales para automatizar tareas de inspección visual y guiado. Aunque comparte una base con tecnologías más amplias de inteligencia artificial, la visión artificial es distinta por su enfoque de ingeniería en la interacción con entornos físicos en tiempo real. Actúa como los "ojos" de una línea de producción o sistema autónomo, capturando datos visuales que permiten a los sistemas de control identificar defectos, clasificar productos y guiar brazos robóticos con gran precisión. Al combinar cámaras especializadas con software sofisticado, estos sistemas mejoran el control de calidad y la eficiencia operativa en sectores que van desde la fabricación de automóviles hasta el embalaje farmacéutico.

Link to this sectionVisión artificial frente a visión por computador#

Aunque los términos se usan a menudo indistintamente, existe una distinción funcional entre la visión artificial frente a la visión por computador. La visión por computador (CV) es el campo académico y tecnológico general que implica la extracción de información significativa a partir de imágenes digitales. La visión artificial (MV) se refiere específicamente a la aplicación de la CV en entornos industriales o prácticos donde el sistema debe interactuar con otro hardware.

Por ejemplo, un modelo de visión por computador podría analizar un conjunto de datos médicos para encontrar tendencias en radiografías, mientras que un sistema de visión artificial utiliza edge computing para activar un actuador neumático que rechaza una botella agrietada en una cinta transportadora en cuestión de milisegundos. Los sistemas de MV priorizan la velocidad, la fiabilidad y la integración con dispositivos de entrada/salida (E/S), desplegando a menudo modelos en dispositivos embebidos para un rendimiento de baja latencia.

Link to this sectionComponentes y tecnología clave#

Un sistema de visión artificial típico se basa en un flujo de trabajo estrechamente integrado de hardware y software. Comienza con el subsistema de adquisición de imágenes, que incluye iluminación especializada para resaltar características y sensores de imagen (como CMOS o CCD) que capturan fotogramas de alta resolución. Estos datos se transmiten a una unidad de procesamiento, a menudo un PC industrial o una cámara inteligente, donde los algoritmos analizan los datos de píxeles.

Los sistemas modernos utilizan cada vez más el deep learning para manejar variaciones complejas que los algoritmos tradicionales basados en reglas no pueden resolver. Las redes neuronales, como el modelo de vanguardia YOLO26, permiten que los sistemas de visión artificial aprendan de ejemplos en lugar de depender de una programación rígida. Este cambio permite una fabricación adaptativa, donde los sistemas pueden reconocer nuevas variantes de productos sin una reprogramación extensa.

Link to this sectionAplicaciones en el mundo real#

La visión artificial impulsa la automatización en diversas industrias, garantizando una consistencia que la inspección humana no puede igualar.

Link to this sectionInspección óptica automatizada (AOI)#

En la fabricación de productos electrónicos, los sistemas AOI son fundamentales para garantizar la calidad. A medida que las placas de circuito se vuelven más pequeñas y complejas, al ojo humano le cuesta verificar los componentes. Los sistemas de visión artificial utilizan object detection para identificar componentes faltantes, sesgados o incorrectos en una placa de circuito impreso (PCB). Al emplear instance segmentation, el sistema puede calcular el área de soldadura precisa para asegurar la conectividad eléctrica. Si se encuentra un defecto, el sistema marca automáticamente la placa para su reelaboración, evitando que los productos electrónicos defectuosos lleguen al mercado de consumo.

Link to this sectionRobótica guiada por visión (VGR)#

Los robots utilizados en logística y almacenamiento dependen de la visión artificial para la navegación y la manipulación. En un proceso conocido como picking de cajas, un robot debe localizar artículos apilados aleatoriamente y agarrarlos correctamente. Esto requiere pose estimation, que determina la orientación y los puntos clave de un objeto en el espacio 3D. Al procesar la entrada visual, el robot ajusta su ángulo de agarre dinámicamente. Esta integración de AI in robotics permite líneas de automatización flexibles que pueden manejar diferentes formas de productos sin necesidad de reconfiguración mecánica.

Link to this sectionImplementación de visión artificial con YOLO26#

El desarrollo de aplicaciones de visión artificial se ha vuelto significativamente más accesible con los frameworks modernos. La Ultralytics Platform simplifica el proceso de etiquetado de conjuntos de datos industriales y el entrenamiento de modelos optimizados para su despliegue en el edge. A continuación, tienes un ejemplo de cómo un desarrollador podría usar Python para realizar una comprobación de detección de defectos utilizando el último modelo YOLO.

from ultralytics import YOLO

# Load a custom YOLO26 model trained for detecting manufacturing defects
# 'yolo26n.pt' is the nano version, optimized for high-speed inference
model = YOLO("yolo26n.pt")

# Run inference on an image from the production line
# 'conf=0.6' sets a strict confidence threshold to avoid false positives
results = model.predict(source="conveyor_belt_feed.jpg", conf=0.6)

# Process results to trigger an action (e.g., stopping the line)
for r in results:
    if len(r.boxes) > 0:
        print(f"Defect Detected: {r.names[int(r.boxes.cls[0])]}")
        # Logic to trigger hardware rejection mechanism would go here

Link to this sectionEl futuro: Industria 4.0 y más allá#

La visión artificial es un pilar de la Industry 4.0, que facilita la creación de fábricas inteligentes donde los datos fluyen sin problemas entre los sensores visuales y los sistemas de gestión central. A medida que mejoran tecnologías como la generación de synthetic data, el entrenamiento de modelos de visión para defectos poco comunes se vuelve más sencillo, lo que mejora aún más la fiabilidad del sistema. La convergencia de la conectividad 5G y la edge AI asegura que la visión artificial continuará siendo el motor principal de la autonomía y la eficiencia industrial.