Planificar un proyecto de visión artificial en una línea de producción

La inspección visual es uno de los usos más comunes de la visión artificial en la manufactura. También es un ámbito en el que los proyectos fracasan por motivos que tienen poco que ver con el modelo. Una iluminación deficiente, datos poco representativos y objetivos de aceptación poco claros causan más problemas que la elección de la arquitectura de red. Este artículo describe los pasos de planificación que deben completarse antes de comenzar el entrenamiento.

Definir la decisión y su costo

Se empieza por la decisión que tomará el sistema. Puede aceptar o rechazar una pieza, clasificar un tipo de defecto, medir una dimensión o contar elementos. Luego se anota lo que cuesta una decisión equivocada. Un falso rechazo significa que una pieza buena se desecha o se retrabaja. Un defecto no detectado puede llegar a un cliente, generar una reclamación o crear un riesgo de seguridad. Estos costos varían según el producto y el cliente, y determinan cómo debe ajustarse el sistema.

Primero la óptica, después los modelos

La calidad de la imagen fija el límite superior de cualquier modelo. La resolución de la cámara debe calcularse a partir del defecto más pequeño que se necesita detectar, con varios píxeles de ancho sobre él. La elección del lente influye en la distorsión, la profundidad de campo y la distancia de trabajo. La iluminación suele ser lo más importante, porque la geometría adecuada, como campo oscuro, campo claro o iluminación difusa de cúpula, es lo que permite ver un rayón o una abolladura.

Los soportes y las cubiertas deben limitar los cambios de luz ambiental y la vibración de las piezas. Antes de cualquier trabajo con modelos, conviene capturar imágenes en la línea real con las piezas reales, para que el equipo pueda juzgar si una persona que revise esas mismas imágenes llega a ver los defectos.

Clases de defectos, etiquetado y recolección de datos

Las clases de defectos necesitan definiciones escritas, con imágenes de ejemplo y límites claros entre lo aceptable y lo inaceptable. Las guías de etiquetado deben ser revisadas por el personal de calidad, y una muestra de las imágenes debe ser etiquetada por más de una persona para medir el grado de acuerdo. El desacuerdo entre etiquetadores suele indicar que la definición no es lo bastante clara.

Los datos deben recolectarse a lo largo de distintos turnos, operadores, lotes de material, estados de herramental y épocas del año, ya que la temperatura, la humedad y la luz natural pueden modificar el aspecto de las piezas. Los defectos son escasos por naturaleza, por lo que se necesita un plan para reunir suficientes ejemplos, que puede incluir muestras defectuosas producidas de manera deliberada.

Ubicación de la inferencia y presupuesto de latencia

La inferencia puede ejecutarse en un dispositivo de borde junto a la cámara o en un servidor conectado a través de la red de la planta. El despliegue en el borde ofrece una latencia baja y predecible y sigue funcionando si la red falla. Un servidor simplifica la actualización de los modelos y admite modelos más pesados. La decisión se deriva del presupuesto de latencia, que comienza en el disparo, incluye la captura de la imagen, la transferencia, el preprocesamiento, la inferencia y la señal hacia la línea, y debe terminar antes de que la pieza llegue al punto de rechazo.

Operadores, umbrales e integración con la línea

Todo modelo intercambia falsos positivos por falsos negativos. El umbral de operación debe elegirse junto con los operadores de la línea y los ingenieros de calidad, a partir del análisis de costos del primer paso. Los operadores también saben qué variaciones son normales, y su participación temprana mejora tanto las etiquetas como la aceptación del sistema.

El sistema de visión debe comunicarse con la línea. Normalmente un PLC proporciona el disparo y recibe el resultado, y un MES recibe los registros para la trazabilidad. El mecanismo de rechazo, como un chorro de aire, un empujador o un desviador, debe sincronizarse con la posición de la pieza. Debe definirse el comportamiento seguro ante fallos de cámara, errores del modelo y pérdida de comunicación.

Retroalimentación, deriva y criterios de aceptación

Después del despliegue, los operadores deben poder señalar las decisiones erróneas, y esas imágenes deben pasar a un proceso de revisión y reentrenamiento. El monitoreo debe seguir la tasa de rechazo, la distribución de las puntuaciones y las estadísticas de las imágenes, ya que los cambios en el material, la iluminación o la posición de la cámara provocan deriva. Las versiones de los modelos, los conjuntos de datos y las aprobaciones deben registrarse como parte de una práctica normal de MLOps.

Los criterios de aceptación deben acordarse antes de iniciar el entrenamiento. Deben indicar las métricas, como la tasa de defectos no detectados y la tasa de falsos rechazos, el conjunto de datos de prueba, las condiciones de la prueba y quién da la aprobación. Con esto definido, el proyecto cuenta con una definición clara de terminado.