2 Tecnologías innovadoras para optimizar el control de calidad

La Visión Artificial, y la Calidad Predictiva están revolucionando el Control de Calidad en la Industria. Descubre cómo estas tecnologías permiten optimizar procesos y reducir errores, mejorando los resultados finales.

VISIÓN ARTIFICIAL APLICADA AL CONTROL DE CALIDAD

¿Utilizas la Visión Artificial para la inspección automática de los productos?

La mejora en las cámaras industriales y en las condiciones de iluminación y las capacidades asociadas al desarrollo de nuevos algoritmos a medida que facilitan el procesamiento y extracción de información de interés de las imágenes, ha supuesto que la Visión Artificial avanzada esté consiguiendo una implantación cada vez mayor para el control de calidad de los productos en la industria.

VENTAJAS DE LA VISIÓN ARTIFICIAL EN LA INSPECCIÓN AUTOMÁTICA

La Visión Artificial permite la inspección del 100% de las piezas producidas, elimina tareas de bajo valor añadido y repetitivas, reduciendo el fallo humano. Con ello, consigue una importante mejora en la eficiencia de los procesos y en la calidad del producto final enviado al cliente.

A la hora de valorar la potencial incorporación de estas tecnologías en el proceso, hay que tener en cuenta varios puntos:

SOLUCIONES COMERCIALES VS ALGORITMOS A MEDIDA

• ¿Existe una solución comercial para el problema concreto a resolver? Ya están desarrolladas, y disponibles en el mercado, soluciones robustas para determinadas aplicaciones (control de etiquetado, control dimensional, etc.)

• ¿Es necesario desarrollar soluciones basadas en deep learning y algoritmos a medida? Cuando el defecto o elemento a identificar es específico para nuestro proceso, o el grado de complejidad sea muy alto, puede ser que las soluciones comerciales pierden eficacia, siendo necesario acudir al desarrollo de soluciones y  algoritmos a medida.

TECNOLOGÍAS DE IMAGEN ADECUADAS PARA CADA PROCESO

Análisis de infrarrojo cercano (NIR), Cámaras hiperespectrales y Ultrasonidos e Imágenes RGB

Selección de la Tecnología de Imagen adecuada para cada proyecto

• Análisis de infrarrojo cercano (NIR)
• Cámaras hiperespectrales (te contamos más sobre su uso en el sector agroalimentario en nuestro blog “Tecnología de imagen hiperespectral en calidad y seguridad alimentaria”)
• Ultrasonidos
• Imágenes RGB

FASES DE UN PROYECTO DE CONTROL DE CALIDAD CON VISIÓN ARTIFICIAL

Pruebas de laboratorio y selección de hardware

Si la solución no es comercial, es recomendable empezar con pruebas de laboratorio que permitan seleccionar el hardware (cámaras + iluminación + equipos de procesado) más adecuado para la aplicación así como entrenar y validar una primera versión de los algoritmos que mejor resuelvan la problemática planteada. Para ello, se utilizarán muestras físicas con y sin defectos, o, si no es posible, imágenes con las diferentes casuísticas a analizar.

Implementación y validación

Una vez realizadas estas pruebas en laboratorio, dispondremos de información de valor para conocer la viabilidad del proyecto (coste del hardware, máxima velocidad de procesamiento admisible, % de fiabilidad) y dimensionar correctamente su implantación (priorizar evitar falsos positivos o no detecciones de defecto).

Desde el Área de Sistemas de Percepción Artificial Inteligente (SPAI) de ITCL, disponemos de las capacidades y la experiencia de más de 10 años en el desarrollo de complejos proyectos de detección de defectos mediante algoritmos a medida de visión artificial.

IMPLEMENTACIÓN DE CALIDAD PREDICTIVA EN PROCESOS INDUSTRIALES

¿Estás preparado para incorporar calidad predictiva a los procesos?

¿Tienes un proceso en continuo, que incluye un ensayo de final de calidad del producto terminado? ¿Este ensayo final condiciona la aprobación de todo un lote? ¿Y su resultado se puede demorar horas o días?

Este tipo de casuística, frecuente en la industria, genera una situación reactiva en la producción. Hasta no tener los resultados del ensayo no podemos actuar sobre la producción. Si no son adecuados, podemos llegar a tener que retirar todo el lote fabricado. O, en el mejor de los casos, tener que reajustar formulaciones o parámetros de la producción para que los lotes siguientes cumplan los requisitos.

CÓMO LA INTELIGENCIA ARTIFICIAL MEJORA EL CONTROL DE CALIDAD

La capacidad actual de análisis de datos, derivada de los desarrollos del Big Data y la Inteligencia Artificial, permiten cambiar de manera radical nuestro enfoque ante situaciones como la planteada inicialmente, a través de la denominada calidad predictiva.

Nuestro objetivo bajo este enfoque es:

1. Entender, a través del modelado-caracterización de la planta-proceso, cómo influyen en la/s variable/s de salida (densidad, viscosidad, humedad, resistencia, … ) el resto de variables de proceso.
2. Predecir los resultados de los ensayos, en función de las condiciones reales del proceso.
3. Supervisar el proceso, cuando la variable/s de salida se salga/n de los límites establecidos, y proponer cambios en alguna de las consignas del proceso, para reajustar sus valores y así eliminar los defectos.

¿CÓMO ALCANZAR NUESTROS OBJETIVOS?

• Se identificarán inicialmente los diferentes grupos de datos (variables) disponibles que pueden afectar en la calidad final del producto. Se realizará un primer análisis visual y estadístico de las variables a partir de un histórico de datos (recogidos manualmente o de manera automática)
• Una vez disponible un primer histórico de datos del proceso (incluido los resultados del ensayo para cada situación de fabricación), se realizará un primer análisis visual y estadístico de las variables y se generará un primer modelo.
• Con estos resultados, se completará el sistema de captura de datos en planta, para poder disponer de todas las variables que afectan al modelo en tiempo real.
• Se validará el modelo inicial en planta, con datos reales, verificando que la predicción de la/s variable/s de salida son correctas.
• Se reajustarán los modelos, en caso de ser necesario.
• Se validarán las propuestas de cambios de consigna/variables, para asegurar que los cambios propuestos devuelven los valores de la/s variable/ de salida a los rangos esperados.
• Y, finalmente, una vez el modelo entrenado es suficientemente robusto, se puede plantear automatizar el cambio de consignas, para que el propio sistema se reajuste cuando existan condiciones de fabricación que predigan resultados fuera de tolerancia.

En el Área de Electrónica Aplicada e Inteligencia Artificial de ITCL acompañamos a las empresas industriales en todo el proceso de implantación de estos modelos de calidad predictiva, desde la selección de las variables a recoger, la definición de los protocolos de captura y de las arquitecturas de gestión de los datos, hasta el desarrollo final de los algoritmos de predicción.