¿Qué es el Deep Learning?
Se trata de un algoritmo automático jerárquico o estructurado que emula el aprendizaje humano con el objetivo de conseguir determinados conocimientos. El propio sistema es capaz de aprender por sí mismo mediante una fase previa de “entrenamiento”, no es necesario que sea programado.
Además, se caracteriza por procesar la información a través de las redes neuronales artificiales entrelazadas por las que está compuesto. Primordialmente se utiliza para la automatización de análisis predictivos.
El Deep Learning constituye una de las bases fundamentales de la inteligencia artificial (Al) y dado el gran auge que esta ha tenido en los últimos tiempos, el interés por el Deep Learning también se ha visto incrementado.
Las técnicas de Deep Learning han mejorado la capacidad tanto de clasificar, como de reconocer y detectar, en definitiva, han dado un gran impulso a la capacidad de entender.
La clasificación de imágenes basada en el aprendizaje profundo o Deep Learning, permite realizar tareas de clasificación de productos o de defectos mediante técnicas de visión artificial.
Mediante un aprendizaje previo del sistema, y la configuración de una red neuronal convolucional, con unos tiempos de configuración relativamente cortos, la clasificación de nuevos productos o efectos se realiza de forma rápida y eficiente.
Mediante la segmentación semántica, las clases de defectos entrenados se pueden localizar con precisión de píxel. Esto permite a los usuarios, por ejemplo, resolver tareas de inspección, que anteriormente no se podían realizar, o solo con un esfuerzo significativo de programación.
La electrónica actual permite integrar en sistemas embebidos el software de clasificación, pudiendo desarrollar equipos compactos y de bajo coste.
Detección de objetos y defectos
La detección de objetos localiza las clases de objetos entrenados y los identifica con un rectángulo circundante (cuadro delimitador). Los objetos que se tocan o se superponen parcialmente también se separan, lo que permite el conteo de objetos.
Podemos alinear estos rectángulos de acuerdo con la orientación del objeto, lo que resulta en una detección más precisa, ya que los rectángulos se ajustan más a la forma del objeto.
Esta tecnología es muy útil a la hora de clasificar diferentes productos que no cuentan con una etiqueta identificativa o a la hora de identificar defectos que siguen patrones aleatorios de apariencia y localización.
Clasificación e inspección automática de productos
Detección de defectos y contaminación por cuerpos extraños en envases
Cuando se trata de la detección de defectos que tienen una tonalidad similar a la del producto o son de difícil detección mediante algoritmos por comparación de tonos, como pueden ser:
- Pelos (se pueden confundir con sombras y relieves de los filetes)
- Plumas (se pueden confundir con trozos de grasa)
- Restos de bandeja (se pueden confundir con brillos)
- Huesos y ternillas (se pueden confundir con los tonos blancos del producto)
- Arrugas en zona de termosellado
- Defectos de rolado
Se opta por la detección automática mediante tecnología de Deep Learning.
Clasificación de canales por sexo y detección de contaminación fecal
Otra de las múltiples aplicaciones de la tecnología de Deep Learning o aprendizaje profundo es en soluciones para mataderos y salas de despiece. En INNDEO&INSPECTRA hemos desarrollado, mediante esta tecnología, la clasificación de canales por sexo y la detección de contaminación fecal mediante el entrenamiento de redes neuronales con una gran cantidad de imágenes capturadas en línea.
Detección de defectos en latas
La detección de defectos en latas mediante Deep Learning es una técnica avanzada de visión artificial que utiliza redes neuronales profundas para identificar y clasificar automáticamente los defectos en las latas de manera precisa y eficiente.
Este método de detección de defectos utiliza una combinación de tecnologías de procesamiento de imágenes y aprendizaje profundo para analizar imágenes de las latas y detectar cualquier tipo de defecto, como abolladuras, rasguños, desgarros, manchas, entre otros. La red neuronal se entrena con un conjunto de datos de imágenes de latas con y sin defectos para aprender a identificar los patrones asociados con los defectos.
Se trata de un método de detección altamente personalizable, pudiendo adaptarse a las necesidades y requisitos específicos de cada cliente:
- Detección de abolladuras o golpes
- Clasificación por forma o por altura
- Detección de defectos o roturas en etiquetas
- Verificación y lectura de códigos a alta velocidad
- Inspección de litografía
- Control de anilla: presencia/ausencia, correcta posición, orientación y modelo de anilla