Muchos procesos de fabricación funcionan con equipos fijos o totalmente automatizados que realizan tareas de producción con una información sensorial limitada. Para aplicaciones más complejas, se pueden utilizar cámaras o sensores sencillos que detecten la presencia, la posición, el tamaño o el grosor de un objeto. Cuando el objeto es más complejo, tiene menos restricciones o es necesario evaluar su apariencia, se puede aplicar una solución de visión artificial. En esta publicación del blog, analizaremos tres aplicaciones para comprender mejor el papel de la visión artificial en la automatización avanzada.
En muchos procesos de fabricación, contar objetos o características suele ser importante para garantizar la calidad de las piezas o gestionar el inventario. Aunque esto pueda parecer trivial, no es una tarea práctica para los humanos cuando se trata de grandes cantidades de datos. Para automatizar estas tareas mediante la visión artificial, la segmentación de objetos es el primer paso, y esto se puede facilitar con la aplicación adecuada de técnicas de iluminación y captura de imágenes.
El objetivo de la adquisición de imágenes es iluminar y capturar una imagen del objeto de forma que mejore el contraste entre las características que se van a detectar y el fondo. A continuación, se utiliza un software de visión artificial para segmentar y detectar las características u objetos de interés. Los atributos medidos de cada objeto detectado se pueden utilizar para determinar su calidad o identidad.
Caracterización de la porosidad de la soldadura
Tomemos como ejemplo la detección y evaluación de la porosidad de la soldadura. La forma de la pieza, los contornos variables del canal de soldadura y las superficies metálicas reflectantes hacen que la iluminación uniforme sea un desafío. Afortunadamente, los poros no reflejan mucha luz: se ven oscuros.
Las soldaduras tienen una variedad de áreas oscuras que pueden segmentarse mediante visión artificial. Los poros en la soldadura tienen un rango de tamaño y una forma característicos que pueden usarse para ignorar las áreas oscuras que no coinciden con las características de los poros. Una vez que se detecta la porosidad, la cantidad y la densidad de poros (cantidad por pulgada) en la soldadura se pueden usar para indicar si el proceso de soldadura es aceptable o si se requiere la intervención del operador o del sistema de control.
Tubos de conteo
Un ejemplo relacionado es el recuento de la cantidad de tubos en una imagen tomada desde el extremo de una caja; el control de inventario requiere un recuento preciso. Los desafíos incluyen la iluminación variable y la perspectiva variable de los extremos de los tubos en la imagen. El extremo del tubo se caracteriza por su interior oscuro rodeado por la superficie circular brillante de la pared del tubo.
Dividir el área oscura con un círculo del diámetro esperado permitirá detectar la mayoría de los tubos. Sin embargo, tenga en cuenta los reflejos brillantes de algunos de los interiores de los tubos cerca del fondo de la caja: las operaciones de procesamiento de imágenes pueden fusionar estas pequeñas características con las regiones interiores de los tubos para lograr una detección y un recuento robustos.
Detección de daños en formas complejas
Considere la posibilidad de detectar daños superficiales en las palas de la hélice. Los daños pueden variar desde rayones estrechos hasta grandes manchas de desgaste; no existen estándares para caracterizar el tamaño o la forma esperados del área dañada. Además, las formas complejas de las palas de la hélice presentan un desafío para la iluminación óptima utilizada para mejorar el contraste de los daños.
En la configuración de iluminación utilizada para la imagen más a la izquierda (la más oscura), el daño era apenas perceptible. Las dos direcciones de iluminación alternadas proporcionaron un buen contraste entre las áreas dañadas y no dañadas de las palas, pero el contraste se alternó entre las dos configuraciones. Debido a las superficies localizadas y la dirección del daño en relación con el sistema de imágenes, las diferentes regiones de la pala de la hélice exhibirán diferentes respuestas, como se muestra, lo que significa que no existe una única configuración de iluminación óptima.
El alto grado de variabilidad entre la forma, el tamaño y el contraste de los daños hace que la detección automática mediante métodos programados sea un desafío, como se utiliza en los ejemplos de porosidad de soldadura y recuento de tubos. El Instituto desarrolló el sistema de inspección utilizando técnicas de aprendizaje automático. Una red neuronal convolucional (CNN) reconoce áreas potencialmente dañadas en una imagen. Una red neuronal profunda secundaria clasifica la imagen como que contiene (o no contiene) daños en función de los valores propios generados por la CNN. Estas redes se entrenan utilizando una gran cantidad de imágenes en las que las áreas dañadas se han identificado manualmente.
Más allá de la visión monocromática
Los tres ejemplos anteriores ilustran algunas aplicaciones de visión artificial monocromática. Las cosas se ponen aún más interesantes cuando se utiliza el contraste de color o la parte invisible del espectro. Por ejemplo, las cámaras monocromáticas son sensibles a las longitudes de onda del infrarrojo cercano (NIR), lo que permite aprovechar o eliminar características que normalmente serían invisibles o que distraerían mediante el uso o el rechazo de esa banda con un filtro espectral.
Las cámaras de color estándar utilizan filtros superpuestos de banda ancha de rojo, verde y azul; el uso de iluminadores LED RGB de banda estrecha en lugar de iluminación blanca de banda ancha mejora la discriminación de colores. Las cámaras multiespectrales ofrecen una discriminación de colores altamente sensible en comparación con las cámaras de color y pueden incluir bandas NIR. Las propiedades fluorescentes de ciertas tintas, tintes y adhesivos se pueden aprovechar mediante el uso de la irradiación UV con filtros espectrales adecuados. ¡Y no olvide la polarización! Las imágenes infrarrojas (onda larga, onda media, onda corta) se pueden utilizar para medir temperaturas de la superficie, detectar características/defectos del subsuelo, detectar gases de hidrocarburos y más.