Por: Rafael R.
Páez Yrigoyen, Gesta Labs.
Monterrey,
Nuevo León, 26 de mayo del 2022.- El Covid-19 ha sido un catalizador para
impulsar la adopción de nuevas tecnologías. Y los fabricantes no han sido la
excepción. Durante la parte más crítica de la pandemia y ante la falta de
personal, muchas fábricas vieron en las tecnologías de Industria 4.0 la única
forma de mantener sus líneas de producción en marcha.
Algunos de los
casos de uso que tuvieron más auge como resultado de esta situación fueron
aquellos que buscaban resolver problemas de defectos de calidad. ¿Por qué?
Porque esta labor suele llevarse a cabo en una combinación entre sistemas
automatizados de visión artificial con inspecciones visuales de los operarios.
Y ante la
falta de operarios, los fabricantes tuvieron que buscar nuevas opciones. Aquí
es cuando cobra fuerza la tecnología conocida como Deep Learning, una de las
ramas de la inteligencia artificial que está sentando un precedente en los
sistemas de control de calidad: mayor nivel de eficiencia en las inspecciones a
menor costo. Pocos pueden ofrecer algo similar.
Utilizar
visión artificial o machine vision en control de calidad no es algo nuevo. Es
el estándar anterior en los sistemas de inspección visual y, según la revista
digital especializada en industria IEEE Spectrum, se basa en dos pasos:
1.- Una cámara
montada en la línea de producción recopila las imágenes, pero hay un experto
que analiza esas fotos y decide cuáles características son importantes para
entender que hay un problema determinado. Por ejemplo, manchas, golpes,
ralladuras, etcétera.
2.- El experto
crea un sistema basado en reglas que se ajusta manualmente, con diversos rangos
de tolerancia o anomalías. Con base en ello, el sistema decide en automático
qué producto no está en dichos rangos.
Aunque han
sido históricamente eficientes en general, el problema de estos sistemas es que
son rígidos y necesitan constantes ajustes para seguir funcionando ante nuevos
parámetros o anomalías.
No solo eso.
Estos sistemas no pueden distinguir diferentes tipos de defectos para un mismo
producto. Por ejemplo, si el sistema tradicional está programado para
inspeccionar ralladuras en una lámina de metal que pasa por un conveyor, no es capaz de detectar si
tiene algún otro tipo de defecto. Son sistemas lineales y rígidos en su
funcionamiento.
La irrupción
de Deep Learning aporta nuevas capacidades a los sistemas de inspección visual
por una simple, pero poderosa razón: son capaces de aprender a partir de los
datos. ¿De qué datos? De imágenes descompuestas en pixeles que se traducen en
datos digitales. Para que esto suceda, un grupo de expertos recopila una serie
representativa de imágenes que muestran piezas con y sin defectos. A mayor
número de defectos, mayor el dataset que se necesita. Posteriormente, hay que
etiquetar los defectos para entrenar un algoritmo que será capaz,
eventualmente, de aprender a detectar variaciones de esas anomalías que no
fueron mostradas específicamente en las imágenes.
Es decir,
establecen un criterio que va siendo educado
con el tiempo y la experiencia de ese proceso. Desde luego, el criterio humano
siempre estará ahí como el órgano supremo de decisión, pero el trabajo rudo
podrá delegarse cada vez más a estos sistemas de visión artificial.
Quizá la parte
complicada o que exige mucho tiempo es la recolección de cientos o miles de
imágenes con defectos. Esto es porque los fabricantes suelen ser muy
consistentes en su producción. Para lo cual también ya hay una serie de
herramientas muy poderosas que abordaré en futuras entregas, pero tienen que
ver con la creación digital de imágenes sintéticas de esos defectos.
En resumen, es
un hecho que los equipos con talento altamente especializado y las soluciones
que cada día aparecen en el mercado van resolviendo, poco a poco, estas
problemáticas. Pero no nos olvidemos de que hablamos de tecnologías emergentes
que tienen mucho potencial de resolver problemas al interior de las fábricas,
pero que siguen enfrentando el reto más complicado de todos: la resistencia al
cambio, a probar, experimentar e innovar.
Te invito a
ser factor de cambio en tu organización, que, a final de cuentas, es el factor
más importante para que evolucione y perdure.
Recibe las noticias más
importantes de la industria en tu email
