La visión artificial transforma la industria con una precisión y eficiencia sin precedentes

La visión artificial ha avanzado significativamente gracias a la inteligencia artificial, esto es, al machine learning y deep learning. Estos desarrollos han permitido automatizar tareas complejas, mejorando la precisión y eficiencia en sectores como la medicina, la agroalimentación y, por supuesto, en la industria, que siempre ha sido punta de lanza en esta tecnología. Las aplicaciones incluyen desde el control de calidad hasta la robótica guiada por visión, aumentando la productividad y seguridad en entornos industriales. En el siguiente informe hemos preguntado a expertos de Stemmer Imaging, Cognex, Grupo Álava e IOVI, que a continuación nos explican cómo continúan impulsando la transformación digital ayudados de la visión artificial.

PREGUNTAS
 

1.- ¿Cuáles son los desarrollos más relevantes de los últimos tiempos en algoritmos de visión artificial? 

2.- ¿Qué aplicaciones y casos de uso se están implementando con técnicas de visión artificial y cuál es su impacto en la industria?

3.- ¿Cómo se están abordando algunos desafíos relevantes para la visión artificial como es, por ejemplo, la interpretación de imágenes en condiciones de poca luz o la identificación de objetos en movimiento rápido?

4.- ¿Qué papel juegan las técnicas de ML/DL en la visión artificial? 

5.- ¿Cuáles son las implicaciones éticas y de privacidad en el uso de la visión artificial? 

6.- ¿Qué soluciones ofrece su compañía en este ámbito?

1.- La utilización de la inteligencia artificial (IA) o también llamada deep learning ha provocado unos avances significativos y cambios en diferentes sectores. Los modelos de deep learning, especialmente las redes neuronales convolucionales (CNN), se están utilizando para aprender características visuales complejas y realizar tareas como clasificación de imágenes, detección de objetos, entre muchas otras; con todo ello, nos están permitiendo automatizar tareas que anteriormente eran muy complejas porque los algoritmos convencionales no conseguían detectar. Nos permite trabajar en nuevos sectores como el agroalimentario y también nos aporta una mayor precisión en sectores como por ejemplo la medicina, donde gracias a la aplicación de estos algoritmos conseguimos realizar diagnósticos médicos a partir de imágenes de resonancia magnética, tomografías computarizadas y otros datos médicos.

Apoyándose en el deep learning y otras técnicas de precisión como por ejemplo Surface matching 3D a través de un archivo CAD. Otro gran avance que hemos visto en los últimos años ha sido la robótica guiada por visión, o como yo mismo digo, “ponerle ojos al robot”, gracias a la aparición de soluciones como InPicker, conseguimos dotar al robot de una inteligencia que nos aporta ventajas en mercados tan cambiantes y variables, como:

1. Flexibilidad: que permite a los robots adaptarse rápidamente a diferentes productos y variaciones en los procesos de fabricación. 
2. Aumento de la productividad: al automatizar tareas repetitivas y monótonas, la robótica guiada por visión puede aumentar la productividad y reducir los costos laborales.
3. Seguridad: la incorporación de sistemas de visión artificial en robots puede mejorar la seguridad al permitir la detección y evitación de obstáculos y la interacción segura con humanos en entornos compartidos.

2.- Actualmente estamos trabajando en una mayor diversidad de aplicaciones en muchos sectores y mercados, desde siempre la visión artificial se ha utilizado para aplicaciones de control de calidad de producto (medidas, formas, color, tamaño…). Hoy en día, por supuesto, seguimos trabajando en este tipo de aplicaciones, pero también nos encontramos con aplicaciones muy diversas tanto en la industria como fuera de ella. Algunos ejemplos son:

Aplicaciones industriales: binpicking y rackpicking dentro de la robótica guiada por visión, comparativas 3D gracias a la utilización de cámaras nos permiten obtener un 3D con gran resolución, la utilización del deep learning para la detección de componentes, incluso el uso de imagen hiperespectral o química para poder detectar composición de producto como por ejemplo madurez en fruta.

No obstante, el uso de la visión artificial fuera de entornos industriales es cada vez más grande, y algunos ejemplos serían aplicados por ejemplo al mundo del deporte, como el fuera de juego semiautomático cada vez más utilizado en el fútbol o el famoso ojo de halcón en el mundo del tenis. 

Otro gran ejemplo serían las famosas smart cities, donde la visión artificial desempeña un papel crucial en la transformación de las ciudades inteligentes, especialmente en la gestión del tráfico y otros aspectos de la movilidad urbana. Algunos ejemplos serían monitoreo del tráfico en tiempo real, gestión de semáforos, detección y prevención de infracciones de tráfico, optimización de rutas y estacionamiento, entre muchas otras aplicaciones.

Desde Stemmer Imaging nos gusta diferenciar y trabajar estos dos conceptos, puesto que el tipo de proyecto y aplicación es diferente, por eso diferenciamos entre MV (Machine Vision) aplicada a la industria y AV (Artificial Vision) aplicada a otros sectores fuera del ámbito industrial como por ejemplo la medicina o los citados anteriormente.
 

3.- En este tipo de aplicaciones creo que es muy importante la experiencia y el conocimiento de producto disponible dentro del mercado. La tecnología de cámaras cada vez va incorporando sensores con más resolución, sensibilidad y más rápidos, así como la aparición de las tarjetas gráficas conocidas como GPUs, nos está ayudando a abordar esta tipología de aplicaciones.

No obstante, siempre tenemos que tener en cuenta factores importantes como el tiempo de exposición, el uso de ópticas luminosas, el trabajar con sensores con un tamaño de píxel grande y, por supuesto, apoyarnos de iluminación externa lo suficientemente potente. Cada vez es más común encontrar leds de alta intensidad, todo ello con el gran objetivo de enviar la mejor imagen posible al software de análisis para hacer que la aplicación sea estable y robusta.

4.- Aparte de lo comentado anteriormente, me gustaría destacar un punto muy importante, y es que gracias al uso de técnicas de ML/DL conseguimos acercar al operario a la tecnología, ya que muchas de estas soluciones están basadas en el concepto easy to use, es decir que existen en el mercado soluciones basadas en IA donde el propio operario de la línea, sin necesidad de experiencia y conocimientos en análisis de imagen y programación, puede ser perfectamente capaz de realizar un programa que incorpore ML/DL, probablemente muchos de vosotros os preguntaréis, ¿cómo? Muy sencillo. Lo que debemos hacer es recolectar imágenes de nuestro producto buenas y malas. Una vez tenemos estas imágenes, dependiendo de la exigencia de la aplicación, pueden ser 50 o 5000, simplemente se trata de etiquetarlas, es decir, decirle al sistema si una imagen es buena o es mala y el porqué, una vez realizado esto, el sistema aprende (hay aprendizajes de 10 minutos y otros de hasta 2 días). Aquí es donde es importante el uso de GPUs. y una vez que el sistema aprende y extrae las características, ya puede funcionar de manera autónoma y decidir por sí mismo si un producto es bueno o no. El papel del operario o el responsable de calidad es realmente importante porque el sistema se basará en lo que le han enseñado previamente, de hecho muchos de estos sistemas van aprendiendo continuamente con la aparición de nuevos defectos o anomalías que nosotros debemos encargarnos de reentrenar.

5.- Personalmente destacaría dos, una sería la privacidad y vigilancia y la otra el impacto en el empleo. Respecto a la privacidad y relacionado con el punto anterior, es muy importante que mantengamos y se establezcan políticas de confidencialidad de datos, ya que estamos trabajando con imágenes buenas, pero sobre todo malas, de producto, tanto de seguridad (cinturones, ruedas), como producto alimentario y la detección de no solo defectos sino “cuerpos extraños”. Es por ello que tenemos que tener muy en cuenta a qué plataforma subimos las imágenes para entrenar nuestro sistema, puesto que muchas son públicas y se nutren de las imágenes de los usuarios.

Y después tenemos el tema de cómo impacta en el empleo, mi opinión personal es que el empleo está cambiando y la tecnología ha venido para reemplazar aquellos puestos que no aportan valor añadido, como por ejemplo descargar piezas de 25kg de un contenedor de manera manual cuando puede hacerlo un robot, es por eso que todos debemos ser conscientes de que cada vez necesitamos gente más preparada y dispuesta a aportar algo más que estos sistemas para garantizarse un futuro. No obstante, pienso que necesitamos automatizar plantas con el gran objetivo de ser más competitivas. Es probable que en estas automatizaciones haya algunos puestos que sean prescindibles, pero desde mi punto de vista es mejor prescindir de ellos automatizando que no prescindir de una planta completa porque no sea competitiva y tengan que trasladarla a otras localizaciones.

6.- Stemmer Imaging ofrece una solución software para deep learning que trabaja a nivel local sin necesidad de subir imágenes a ninguna red abierta en la nube, con el objetivo de poder mantener la privacidad que requiere este tipo de proyectos y aplicaciones. 

En cuanto a la competitividad, contamos con más de 30 años de experiencia en proyectos de visión artificial, trabajando en diferentes sectores y mercados y aportando soluciones que ayudan a nuestros clientes a ser más competitivos en términos de productividad, calidad y mejora continua de sus procesos. Contamos con un amplio catálogo de hardware/software y soluciones, pudiendo adaptarnos a las necesidades de nuestros clientes.
 

1.- En los últimos años, la Inteligencia Artificial (IA) se ha convertido en un punto de inflexión para la visión artificial. Está impulsando la fiabilidad, el alcance y la adaptabilidad de las aplicaciones basadas en la visión, no solo en productos de consumo, sino en todos los ámbitos.
 

2.- La tecnología basada en la visión artificial tiene un impacto en varias industrias al abordar desafíos complejos como la calidad y la variabilidad de la imagen. Las herramientas de IA, como el deep learning y el edge learning, abordan estas tareas con flexibilidad, imitando el juicio humano. 

Esto permite aplicaciones como la detección de defectos, la localización de piezas y la lectura de OCR con una precisión y facilidad sin precedentes. La inspección de piezas orgánicas es un excelente ejemplo de esto, donde cada pieza se ve diferente, lo que hace que las herramientas de visión tradicionales sean inútiles.

Esto se aplica a artículos como frutas, panes y verduras. Sin embargo, los desafíos van más allá de los productos orgánicos. Las máquinas de visión a menudo generan diferentes imágenes para la misma pieza, no porque la pieza cambie siempre, sino porque adquirir imágenes repetibles y confiables es un desafío. Las herramientas de IA pueden superar este desafío con su adaptabilidad basada en el modelo o herramienta entrenada.

Otro aspecto de la visión artificial basada en IA es la facilidad de uso. La configuración compatible con IA hace que la tecnología de visión artificial sea accesible para un grupo de usuarios más amplio. Cualquier técnico puede implementar un sensor de visión simple, pero aun así beneficiarse de las capacidades avanzadas del producto, por ejemplo, procesos de automatización confiables cuando los artículos y productos cambian con frecuencia. Además, pueden utilizar los datos generados por el sensor para el mantenimiento predictivo y la mejora continua.
 

3.- Abordar los desafíos de las máquinas de visión, como la interpretación de imágenes en condiciones de iluminación difíciles, depende en gran medida de las herramientas de IA. Estas herramientas son expertas en manejar las variaciones naturales en los procesos y las piezas que se van a inspeccionar. Además, junto con el desarrollo de algoritmos, las capacidades de hardware para procesar imágenes están mejorando exponencialmente, lo que permite un entrenamiento y una ejecución más rápidos de los modelos.

Las técnicas de iluminación también están evolucionando, lo que facilita las inspecciones de piezas que se mueven rápidamente, incluso en entornos de movimiento rápido.
 

4.- Las técnicas de ML/DL son esenciales en la visión artificial, ya que permiten la interpretación de imágenes en condiciones difíciles, como piezas altamente reflectantes, poca luz, bajo contraste o cámara rápida. Mejoran la adaptabilidad y la eficiencia, lo que permite una implementación más rápida y un rendimiento confiable.
 

5.- Las herramientas de IA se basan en ejemplos/imágenes, lo que requiere que los clientes proporcionen imágenes de sus piezas para entrenar las herramientas/modelos. Sin embargo, existe el riesgo de que las empresas exploten estas imágenes para desarrollar modelos que luego se vendan a otras empresas. Esta práctica podría crear una ventaja competitiva para las empresas propietarias de estos algoritmos.
 

6.- Cognex ofrece a los clientes la opción de crear sus propios modelos/herramientas sin necesidad de compartir imágenes ni información sobre sus proyectos. Los clientes pueden conservar la propiedad de todas las imágenes y la propiedad intelectual relacionadas con los programas creados para las inspecciones. Agregamos valor al capacitar a los clientes para que desarrollen sus propias aplicaciones, lo que garantiza que tengan un control total sobre sus datos. Los clientes pueden utilizar sus PC, cámaras inteligentes y, en un futuro próximo, sus propias nubes para almacenar, crear, mantener y ejecutar sus aplicaciones sin necesidad de compartir ninguna información. 
 

1.- En los últimos años, se han producido grandes avances en las capacidades de computación basadas sobre todo en GPUs, lo cual ha permitido impulsar las tecnologías de redes neuronales en el ámbito de la visión artificial, pudiéndose resolver aplicaciones que con algoritmos tradicionales de visión no eran posibles.
 

2.- La visión artificial es, desde hace tiempo ya, un elemento clave en la automatización de procesos en la industria, resolviendo cada vez más aplicaciones, sobre todo en control de calidad y control de producción en todo tipo de sectores industriales a nivel mundial. Esto supone un enorme impacto positivo a la hora de mejorar la eficiencia y competitividad del tejido productivo. 
 

3.- La visión artificial siempre es un compromiso entre la captura de imagen (en donde interviene las condiciones de iluminación, la velocidad de captura necesaria o la precisión requerida) y el análisis por computador aplicado a las imágenes capturadas. En los dos ámbitos, la mejora tecnológica ha sido notable, con lo cual contamos con herramientas muy potentes a la hora de resolver muchos de los requisitos complejos que plantean los distintos casos de uso.

4.- Cada vez son más las aplicaciones que requieren de técnicas de ML/DL, bien sea porque la visión artificial tradicional no ha sido capaz de dar una respuesta adecuada o bien porque, directamente, el único enfoque posible es mediante herramientas de deep learning. Se espera que en los próximos años se multipliquen este tipo de aplicaciones y que cada vez la proporción respecto al total de aplicaciones de visión sea mayor.
 

5.- El uso de la visión artificial, al igual que el resto de automatismos, tiene como función principal mejorar la eficiencia y competitividad en la industria. Esto, en contra de lo que se cree, no significa destrucción de puestos de trabajo, sino la transformación de los mismos en empleos de mayor cualificación derivados de la utilización de sistemas de última tecnología.
 

6.- Grupo Álava cuenta con una amplia experiencia en la asesoría y suministro tanto de hardware como de software para aplicaciones de visión artificial en sectores como automoción, alimentación, farma, packaging, sistemas de tráfico inteligente o imagen médica, entre otros. Contamos con fabricantes líderes a nivel mundial como Basler, Zebra, Specim o Pickit, así como un equipo altamente especializado a nivel tanto técnico como comercial.
 

1.- Los avances en los algoritmos de visión artificial se están produciendo en dos áreas principales: la mejora de la calidad de la imagen y la interpretación cada vez más compleja de la misma para la toma de decisiones o el control de calidad basado en los datos procesados.

En cuanto a la mejora de la calidad de la imagen, los algoritmos están evolucionando para capturar imágenes incluso en condiciones desafiantes, como entornos marítimos con turbidez y poca iluminación. Por ejemplo, en situaciones de baja iluminación en el medio marino, donde la claridad visual es limitada debido a la potencia lumínica insuficiente y a las partículas en suspensión.

Por otro lado, los algoritmos de interpretación de imágenes están utilizando inteligencia artificial, entrenamiento de redes neuronales y técnicas de machine learning y deep learning para realizar análisis más sofisticados y tomar decisiones complejas a partir de la información visual.
 

2.- El impacto de la inteligencia artificial en la industria, especialmente cuando se combina con la visión artificial, es cada vez más significativo y disruptivo. Estas tecnologías están destinadas a ser las más disruptivas del siglo XXI, ya que permiten interpretar situaciones complejas en entornos de producción o control de calidad que van más allá de la capacidad humana. Por ejemplo, en la detección temprana de patógenos y contaminantes en productos alimenticios, donde la visión hiperespectral puede identificar problemas que antes solo podían detectarse mediante métodos químicos.

3.- La mejora de la interpretación de imágenes en condiciones de poca luz y la identificación de objetos en movimiento rápido se debe a avances tanto en software como en hardware. Los algoritmos de procesamiento de imágenes y los sensores de mayor sensibilidad y espectro están permitiendo aclarar imágenes con poca luz y detectar objetos en movimiento con mayor precisión.

En entornos acuáticos con turbidez y poca luz, la visión artificial se vuelve crucial para la industria acuícola y piscícola, donde la falta de claridad visual dificulta el control de la producción. La visión artificial en estas condiciones permite identificar peces, monitorear su actividad y salud, y controlar la producción de manera más eficiente.

4.- El deep learning y el machine learning son pilares fundamentales en el campo de la visión artificial, capacitando a las computadoras para interpretar y comprender datos visuales. En esencia, la visión artificial empodera a máquinas como computadoras o robots para percibir y analizar su entorno visualmente. Esta disciplina tecnológica abarca una amplia gama de tareas, desde el reconocimiento de objetos hasta la clasificación de imágenes y el seguimiento de objetos en movimiento.

Los algoritmos de deep learning y el machine learning son esenciales en la visión artificial, ya que tienen la capacidad de extraer información relevante de los datos visuales. Por ejemplo, pueden aprender a identificar características cruciales como bordes, texturas o formas en imágenes o videos. Además, estos algoritmos pueden ser entrenados para reconocer y categorizar objetos, así como para detectar y seguir su movimiento en tiempo real.

Un aspecto vital del deep learning y el machine learning en la visión artificial es su capacidad para adaptarse y mejorar continuamente con el tiempo. Los modelos de deep learning y el machine learning pueden ajustarse de manera dinámica cuando se enfrentan a nuevos datos, lo que les permite optimizar su desempeño y adaptarse a diversos escenarios del mundo real.

El deep learning y el machine learning constituyen la columna vertebral de la visión artificial moderna, permitiendo que las máquinas interpreten y comprendan el mundo visual de manera análoga a los humanos.

IOVI sobresale en el campo de la visión artificial gracias a su habilidad para fusionar el procesamiento tradicional de imágenes con el deep learning y el machine learning. Estas técnicas avanzadas le capacitan para desarrollar sistemas de visión artificial altamente precisos y sofisticados. Integrando algoritmos clásicos de procesamiento de imágenes con potentes modelos de aprendizaje profundo y aprendizaje automático, IOVI ofrece soluciones que destacan en la detección de objetos, clasificación de imágenes y seguimiento de objetos en movimiento. Esta sinergia de tecnologías le permite proporcionar productos y servicios que cumplen con los estándares más exigentes de los clientes en diversas aplicaciones industriales y comerciales.
 

5.- La ética y la privacidad en el uso de la visión artificial son temas importantes que deben ser abordados por los sectores responsables del manejo de datos. La visión artificial en sí misma proporciona datos objetivos, como imágenes y características biométricas, pero no maneja información personal identificable como nombres o direcciones. En términos de ética y privacidad, los datos recopilados por la visión artificial se utilizan exclusivamente para fines locales e instantáneos y no incluyen información personal identificable como números de identificación, cuentas bancarias o edades, a menos que se otorgue autorización explícita para su uso. Las empresas deben cumplir con las regulaciones y normativas de protección de datos al utilizar la tecnología de visión artificial para garantizar la privacidad y seguridad de los usuarios.

6.- En respuesta a la creciente demanda de tecnologías avanzadas de visión artificial, IOVI ha lanzado al mercado una serie de soluciones innovadoras diseñadas para abordar desafíos críticos en una variedad de sectores industriales. Destacan tres productos clave que están revolucionando la forma en que se abordan problemas de inspección, seguridad alimentaria y logística en diversas industrias.

El primero de estos productos es Inescube Surface, descrito como un dispositivo compacto y poderoso que actúa como un verdadero “ojo artificial”. Diseñado para analizar las superficies de productos con precisión y rapidez, este dispositivo utiliza tecnología avanzada para inspeccionar grandes áreas en menos de un segundo. Proporciona un análisis detallado de la geometría y detecta posibles defectos y daños que son invisibles a simple vista, lo que lo convierte en una herramienta invaluable para la calidad y seguridad de los productos.

El segundo producto destacado es Inescube Protect, una solución integral y efectiva que aborda una amplia gama de necesidades en diferentes sectores, desde la agricultura y la alimentación hasta el transporte y la salud. Este sistema utiliza tecnología hiperespectral que abarca desde los ultravioletas hasta los infrarrojos cercanos y lejanos, lo que le permite detectar contaminantes, patógenos, bacterias y virus en una variedad de productos y líquidos. Con un enfoque en la protección de la salud humana y la prevención de la contaminación ambiental, Inescube Protect se ha convertido en una herramienta indispensable para la seguridad alimentaria y la calidad de los productos en diversas industrias.

El tercer producto presentado por IOVI es Inesarc, una solución diseñada específicamente para el sector logístico. Reconociendo la importancia de la eficiencia y precisión en la gestión de productos y mercancías, Inesarc aborda el desafío de medir el volumen en movimiento, leer etiquetas y pesar de manera rápida y precisa. Esta solución ayuda a garantizar un flujo constante de productos y mercancías, mejorando la eficiencia operativa y reduciendo los errores en la logística.

En resumen, IOVI está liderando el camino en el campo de la visión artificial con sus innovadoras soluciones que abordan desafíos críticos en una variedad de industrias. Estos productos no solo mejoran la eficiencia y la seguridad en la producción y distribución de productos, sino que también contribuyen a proteger la salud humana y el medio ambiente.

Este artículo aparece publicado en el nº 556 de Automática e Instrumentación págs.56 a 62