Control de calidadInteligencia Artificial

Cómo funcionan los sistemas Deep Learning para el control de calidad

By julio 15, 2021julio 19th, 2021No Comments

Dentro de las soluciones de inteligencia artificial, las de Deep Learning cada vez son más reconocidas de cara a mejorar los procesos de calidad de la industria. Te contamos por qué debes plantearte contar con ellas, qué resultados te pueden ofrecer y te damos algunos ejemplos reales de su uso en diferentes entornos productivos.

DATISION - Cómo funcionan los sistemas Deep Learning para el control de calidadLas aplicaciones de inteligencia artificial, entre las que se incluyen las de Deep Learning, han llegado para dar solución a problemas de cierta complejidad dentro de la producción industrial. Cobrando especial relevancia en aspectos relacionados con el control de calidad de productos terminados, semielaborados o materias primas.

Anteriormente a su aparición, eran los propios humanos quienes decidían qué es lo que había que hacer ante ciertas situaciones. Si trasladamos esto a términos de programación informática, podemos asemejarlo a unas líneas de código en las que si se cumple cierta condición o no, habrá que actuar de un modo u otro.

Con la inteligencia artificial y Deep Learning, es la propia máquina quien decide qué alternativas hay que tomar, aprendiendo además conforme va teniendo más experiencia. Una decisión que se toma tras el procesado de datos de diferente tipo, destacando las imágenes tomadas en la línea de producción.

¿Por qué aplicar Deep Learning para el control de calidad industrial?

Contar con este tipo de soluciones trae consigo un conjunto de ventajas muy a considerar para los responsables de calidad y de producción. Aquí destacamos las siguientes:

  • Reducción de defectología y, por tanto, de las no conformidades, las devoluciones y de los “reworks” o repetición del trabajo.
  • Objetivizar la toma de decisiones. Por muy entrenados que estemos los humanos, siempre tendremos cierto sesgo a la hora de decidir si un producto cumple con las especificaciones visuales exigidas. Esto puede hacer que 2 operarios tengan opiniones diferentes sobre un mismo elemento.
  • Depurar responsabilidades en defectos: registrar las características de cada pieza o producto en ciertas fases permite identificar en qué momento ha tenido lugar una mala manipulación de éste.
  • Estandarización y reproducción de procesos: estos sistemas facilitan enormemente la automatización de los controles de calidad, homogeneizando su realización.
  • Conocer mejor tu producto y/o planta para saber cuáles son sus puntos fuertes y débiles.
  • Reduces costes derivados de una fabricación defectuosa.
  • Acelera tus procesos: las decisiones se tomarán a mucha mayor velocidad que si las realiza un operario.
  • Misma eficiencia 24/7: a diferencia de nosotros, el sistema Deep Learning para el control de calidad no se cansa, puede trabajar continuamente todo el tiempo que estimes oportuno.
  • Automatización de avisos en el caso de encontrar defectos.
  • Genera archivos con datos históricos de fabricación automáticamente, pudiendo los operarios dedicarse a tareas de más valor añadido.
  • Podemos extraer datos cualitativos o cuantitativos a partir de una imagen y procesarlos para generar más conocimiento de la producción.

Cómo aplicar Deep Learning en el control de calidad

La tecnología Deep Learning apoyada en imágenes puede ofrecer distintas prestaciones en lo referente al control de calidad dentro de una fábrica. Podemos definir las 3 más habituales, como son:

  • Clasificación: aquí el sistema únicamente nos dirá si un producto, pieza o materia prima es apto o no apto según los criterios de calidad establecidos.
  • Detección: el sistema es capaz de identificar aspectos como la aparición de elementos contaminantes, errores de montaje en piezas, irregularidades, presencia de óxido, etc.
  • Control dimensional para comprobar que los tamaños y volúmenes cumplen con las especificaciones fijadas.

Independientemente de la finalidad con la que vayamos a desplegar nuestra solución Deep Learning, por norma general hay que cumplir con una serie de pasos para que éste funcione correctamente. Estos son:

  • Entrenar el modelo: para ello, lo ideal es proporcionarle una batería de imágenes e ir clasificándolas manualmente como buenas o malas, de manera que vaya aprendiendo de ellas. Es importante acordar previamente con las personas implicadas qué criterios se van a considerar para aceptar o rechazar un producto.
  • Desplegar la infraestructura necesaria. Esta no tiene por qué ser especialmente costosa ni especializada. Suele estar conformada por cámaras, equipos de iluminación, cables de red ethernet, etc.
  • Recogida y procesado de imágenes para el control de calidad.

DATISION - Deep Learning para el control de calidadCasos de uso de Deep Learning en control de calidad

El control de calidad en esta clase de productos mediante Deep Learning puede tener diversos fines. Por ejemplo, está la clasificación de frutos una vez recolectados, para aceptarlos, rechazarlos o destinarlos a diferentes usos (como la fabricación de zumos) o a distintas gamas.

En el caso de la ganadería, estos sistemas también pueden servir para medir la cantidad de grasa presente en la carne o para evaluar que los huevos que se envasan no tienen ningún desperfecto y/o cumplen con los tamaños adecuados.

Más allá de la industria agroalimentaria, la versatilidad de las soluciones Deep Learning las hace propicias para todo tipo de entorno productivo. En Datision contamos con un extenso bagaje al respecto. Os ponemos 2 ejemplos de ello:

Para la industria peletera hemos desarrollado un sistema de visión artificial o visión por computador con Deep Learning, mediante el cual se identifican los defectos que pueden presentar las pieles en el momento de su curtido. Un material que, debido a que es natural, puede presentar varias y muy diversas imperfecciones. Aquí puedes leer el caso de éxito completo de esta importante empresa de curtido de pieles.

Por otra parte, hemos hecho nuestra contribución al control de calidad de las serigrafías de los famosos encendedores Clipper. Todo ello mediante el control de los terminados de estas mediante una cámara y los algoritmos de Deep Learning debidamente entrenados. Aquí tienes más detalle del caso de éxito de Flamagas.

Pero estos son sólo una pequeña muestra del poder que tiene la tecnología Deep Learning de cara a que una industria agilice y optimice sus controles de calidad. Si quieres que la tuya disfrute también de todas estas ventajas, en Datision queremos escucharte y proponerte la mejor forma de conseguirlo. ¡Contacta ya con nosotros!

Leave a Reply