Sistema de visión artificial con deep learning para la inspección de defectos metalúrgicos

Estamos en pleno proceso de implantación de un nuevo sistema para la inspección de defectos metalúrgicos, que irá un paso más allá del actual ya disponible de visión artificial. Buscamos garantizar que el 100% de las piezas que entregamos cumplan estrictamente con los requisitos de calidad establecidos por el cliente. Nuestra meta es la calidad total, «cero defectos».

El deep learning, como parte del machine learning, no es una tecnología abstracta. Para nosotros es una herramienta que ayuda a mejorar nuestra actividad industrial. Con los partners adecuados, consideramos que es un proyecto ilusionante y realista. Vamos a lograr la estandarización de los criterios de inspección y eso nos va ayudará a mejorar el servicio al cliente, así como a través de una mayor automatización, la reducción de los plazos de entrega de las piezas.

Visión artificial vs deep learning

Según la Automated Imaging Association (AIA), la visión artificial engloba todas las aplicaciones industriales y no industriales en las que una combinación de hardware y software proporciona orientación operativa a los dispositivos en la ejecución de sus funciones, basándose en la captura y el procesamiento de imágenes. 

El Aprendizaje Profundo (en inglés, deep learning) es un conjunto de algoritmos de aprendizaje automático (en inglés, machine learning) que intenta modelar abstracciones de alto nivel en datos, usando arquitecturas computacionales que admiten transformaciones no lineales múltiples e iterativas de datos expresados en forma matricial o tensorial. 

En Ecrimesa Group disponemos desde hace tiempo de un sistema de inspección de defectos en las piezas con visión artificial basado en la medición. Proyectando una sombra de la pieza que se capturaba con una cámara, se medía la tolerancia, comparándola con un patrón. Mediante la comparación, se detectaba si una pieza era mala o buena en función de cómo se desviaba de ese patrón.  

Actualmente, estamos dando un salto cualitativo en la incorporación de nuevas tecnologías Industria 4.0, implantando una instalación de visión artificial con deep learning, que detecta defectos superficiales con un sistema de comparación avanzado y aprendizaje continuo y autónomo. Consta de dos cámaras que toman una serie de fotografías de la pieza y un algoritmo que compara esas fotografías con otras estándar, con las que previamente hemos alimentado en la máquina con los defectos. 

Con este avance, pasamos de un sistema basado en una operación matemática, es decir, de hacer una medición y de comparar contra un patrón, a detectar el efecto superficial con un criterio más avanzado y complejo. La máquina es capaz de diferenciar si la pieza es ok o no, si es recuperable o no y qué defecto tiene, y de ir aprendiendo y mejorando de forma continua, mediante aprendizaje. 

Fases del proyecto

El proyecto consta de 3 fases: 

1. Puesta en servicio
   La puesta en marcha o el entrenamiento de la máquina se hace con un catálogo de defectos. En nuestro caso que empezamos con 300 fotografías.
2. Entrenamiento
   La máquina ha de ser entrenada. Se le van pasando piezas y ella misma va realizando la inspección. En el momento en que encuentra un defecto que no tiene en el catálogo, esas nuevas fotografías se incorporan a la base de datos, de manera que está continuamente aprendiendo.
3. Aprendizaje «continuo»
   Cuando la máquina encuentre una pieza que no sabe exactamente si es buena o mala. En esta situación, el mismo software de la máquina o el operario podrán decidir o definirse.
   Cuando la máquina ya está trabajando, si le surge algo, si le surgiese alguna pieza o alguna situación nueva o dudosa, el operador o el técnico de calidad puede o debe definir si la pieza es ok o no, si es recuperable o no, y la máquina la incorpora a su sistema.

Deep learning e intervención humana: La importancia de personas y partners

El factor humano es clave en este proyecto. El entrenamiento se realiza por personal técnico del Departamento de Calidad de Ecrimesa. Partimos de una base de datos de 200 imágenes, durante un mes, en que los técnicos analizan las imágenes procesadas por la máquina. En el caso de encontrar errores que el sistema no ha detectado, tal “defecto” se incorpora al catálogo.  

Este proyecto ha sido liderado por Guillermo Alonso, Responsable de Calidad de Ecrimesa Group, junto con BSP Systems y Siali.  

BSP Systems es un proveedor referente de automatización industrial, con clientes en toda la geografía española y en países como Alemania, Hungría, Rumania, Rusia, China y México. Siali es una startup que ha desarrollado el software de visión artificial y el sistema de aprendizaje, ganadores del Premio Emprendedor XXI de CaixaBank.

¿Cómo mejoramos el cumplimiento de la calidad metalúrgica?

La implantación de nuevas tecnologías en Ecrimesa Group siempre va orientada a una mejora tangible hacia nuestros clientes. El sistema de visión artificial con deep learning para inspección de piezas metalúrgicas, supone cero defectos.

Uniformidad en la calidad

Con este nuevo sistema, nos aseguramos que los criterios de inspección van a ser los mismos siempre y que el estándar de calidad se cumpla sin excepciones. Además, los indicadores clave no van a estar condicionados por la decisión de un operador de calidad, sino que se automatizan, de modo que garantizamos que el 100% de las piezas cumplen estrictamente los requisitos de calidad establecidos por el cliente. 

Reducción de tiempo de ciclo de inspección

Pasamos de las 16 horas actuales por ciclo a una persona que cada 40 minutos va 5 minutos a cargar la máquina con nuevas piezas, lo que implicará una importante mejora en productividad.

Mejora en el servicio al cliente

La estandarización de los criterios de inspección va a garantizar que todas las piezas entregadas cumplen los requisitos de calidad del cliente y la automatización, una reducción de los plazos de entrega de las piezas.