CLASIFICACIÓN DE DEFECTOS-Cómo reconocer y clasificar defectos en cuestión de minutos
La clasificación de defectos es uno de los objetivos principales de muchas industrias. Automatizar la detección y clasificación de defectos de manera fiable y sin tener experiencia en visión es posible gracias a la combinación de la Inteligencia Artificial (IA) y la visión tradicional basada en reglas.
Las tecnologías y algoritmos de visión artificial avanzan imparables. En los últimos años, la tendencia en automatización es la incorporación de Inteligencia Artificial basada en algoritmos Deep Learning que permiten dar solución a aplicaciones complejas de resolver mediante la visión artificial tradicional basada en patrones y reglas. ¿Quieres saber más sobre hacia dónde vamos?
Aun así, muchas de las aplicaciones que demanda el mercado se pueden resolver con visión artificial convencional y de hecho son la mejor opción para obtener el mejor retorno de inversión.
Existen otros muchos casos en los que es difícil elegir entre visión artificial convencional o inversión en tecnología Deep Learning. Por ello Cognex ha diseñado la cámara In-Sight 2800 que fusiona las ventajas del Deep Learning con la visión artificial convencional para resolver aplicaciones de reconocimiento y clasificación de defectos en minutos.
La In-Sight 2800 es un sistema compacto que incorpora un conjunto de algoritmos Deep Learning pre-entrenados que permiten implementar aplicaciones de detección y clasificación de defectos de forma fácil y rápida y sin necesidad de utilizar una GPU.
El sistema está diseñado para ser utilizado sin necesidad de tener conocimientos previos en Deep Learning o visión artificial, y a diferencia de otros sistemas de visión puede hacerlo con un número ilimitado de clases, lo que permite resolver aplicaciones avanzadas.
¿Por qué elegir una cámara In-Sight 2800 para clasificar defectos?
Facilidad de uso, aun sin conocimientos en visión artificial.
In-Sight 2800 está diseñada para ser fácil de configurar, sin necesidad de programación avanzada. Requiere menos tiempo y menos imágenes en comparación con las soluciones más tradicionales basadas en Deep Learning.
¿Cómo se configura una In-Sight 2800?
En el siguiente video podemos ver una demostración de lo fácil que es clasificar imágenes con la IS2800.
Funcionalidad multiclase
La capacidad de definir múltiples clasificaciones permite resolver una mayor cantidad de aplicaciones de automatización.
Los usuarios entrenan herramientas de clasificación de aprendizaje de borde al proporcionar imágenes de partes aceptables e inaceptables. No hay necesidad de marcar o definir qué hace que una parte sea inaceptable. En cambio, la propia herramienta pondera qué variaciones en una parte son significativas para tomar una determinación, mientras ignora las variaciones que no afectan la clasificación. Las herramientas de aprendizaje perimetral, integradas en In-Sight 2800, también pueden manejar clasificaciones que son mucho más complejas que una decisión binaria OK/NOK..
Desde tareas sencillas de detección de presencia/ausencia hasta problemas complejos de categorización y clasificación de defectos o características mediante Deep Learning.
La funcionalidad de múltiples regiones de interés (ROI)
Para refinar una aplicación de inspección, un ingeniero de línea puede usar su conocimiento de cuáles son las áreas variables significativas en la pieza para definir áreas de enfoque específicas, denominadas región de interés (ROI).
La definición de ROI es una parte estándar de la visión artificial, pero su uso a menudo requiere cierta experiencia. In-Sight 2800 hace que sea fácil de aplicar para alguien sin experiencia específica en herramientas de visión. Y el poder de sus herramientas de visión significa que se puede definir cualquier número de tales ROI, y cada uno de estos ROI puede identificar cualquier número de clases.
Esto facilita la verificación de ensamblajes para ensamblajes complejos con muchas configuraciones diferentes y piezas variables, como placas de circuito impreso (PCB). Anteriormente, tales problemas requerían una gran cantidad de trabajo para decidir qué características debían verificarse para confirmar que se había instalado la pieza correcta y luego programar el sistema de visión para examinar esas características. Las herramientas de aprendizaje perimetral In-Sight 2800 toman estas determinaciones de manera autónoma, lo que significa que el ingeniero puede concentrarse en actividades de mayor valor agregado, como optimizar sus operaciones.
Opción Multi-Torch
Además, para facilitar y ofrecer opciones rápidas de iluminación cuenta con la opción Multi-Torch que incluye cuatro opciones de iluminación distintas para ayudarle a eliminar errores en su línea en cuestión de minutos, sin necesidad de programación.
Aplicaciones en cualquier tipo de industrias
La cámara In-Sight 2800 permite automatizar una amplia gama de aplicaciones en cualquier tipo de industria. A continuación, veamos algunos ejemplos:
Automoción
Verifica si las juntas son buenas o malas en función de la presencia/ausencia de defectos.
Confirma la presencia/ausencia de rodamientos de bolas dentro de los anillos de los rodamientos de las ruedas para garantizar un montaje adecuado.
Confirma la inserción correcta de los conectores en los arneses de cableado.
Bienes de consumo envasados
Identifica diferentes aromas ,por imágenes, en pastillas de jabón para asegurarse el empaque.
Detecta presencia/ausencia de tapas de sellado en ambientadores.
Comprueba si hay etiquetas rotas, mal orientadas o colocadas.
Electrónica
Clasifica las placas como buenas/malas en función de los componentes faltantes, dañados o incorrectos.
Alimentos y bebidas
Verifica que las botellas estén debidamente selladas y clasifíquelas como pasa/falla.
Asegúrate de la presencia de elementos en los envases.
Farma
Comprueba los envases de burbuja o blister.
¿Tienes una aplicación parecida y te interesa realizar una prueba?
Contacta con el Grupo Bcnvision, y te daremos la solución que más se adecue a tu problemática.
Haz click aquí para ver la ficha técnica de la cámara InSight 2800 de Cognex.