Visión artificial identificación de objetos y anomalías

Una de las áreas de la Inteligencia Artificial que más se está desarrollando en los últimos tiempos es la visión artificial. Sus innumerables aplicaciones en multitud de ámbitos, está haciendo que su implantación en sectores como industria, deporte, sanidad, seguridad… se multiplique exponencialmente.

Partamos de la propia definición de visión artificial que, como su propio nombre indica, consiste en otorgar a las máquinas cualidades visuales de los seres humanos, o lo que es lo mismo, hacer que los ordenadores puedan ver. Esto se consigue mediante el reconocimiento de patrones en fragmentos de la imagen a analizar, pero vayamos por partes.

Como comentamos, la visión artificial o computacional está sufriendo una importante trasformación y expansión, impulsada por el machine learning o aprendizaje automático. Centrándonos en la actividad industrial, y tomando como ejemplo la detección de anomalías, los sistemas de visión máquina más ‘tradicionales’ logran identificar, por ejemplo, defectos que los equipos hayan determinado para un producto concreto, contribuyendo a mejorar la calidad de los mismos. Con la aplicación del machine learning, y concretamente del Deep learning, se consigue una nueva evolución llegando a identificar deficiencias no establecidas previamente.

La diferencia fundamental es que mientras en los primeros desarrollos las máquinas tienen determinado un error concreto del producto que posteriormente identifican, en los segundos reconocen la imagen ideal y aprenden en base a su propia experiencia todos aquellos elementos que no forman parte de la misma, pudiendo detectar nuevos patrones diferenciales.

¿Cómo ven las máquinas?

Pero… ¿Cómo se consigue que las máquinas lleguen a ‘ver’ y desarrollen los proceso que estamos comentando? Necesitamos de algoritmos avanzados que examinen las imágenes e identifique patrones a través de los cuales determinarán si el producto analizado presenta anomalías, defectos o alteraciones.

Para llegar a este punto es necesario entrenar al sistema, enseñarle qué características tiene que reconocer en las imágenes que se le muestren. Para conseguirlo, cada una de ellas tiene que estar etiquetada en aquellos pixeles o grupos de pixeles que correspondan a la figura que se quiere que la máquina aprenda, de manera que pueda localizarlos en nuevas tomas e identificarlos con el objeto anteriormente trabajado. Y como todo método de entrenamiento los resultados se basan en la constancia y repetición, cuantas más imágenes se enseñen al modelo mejores resultados se obtendrán.

Veámoslo con un ejemplo. Si vamos a desarrollar una herramienta de visión artificial para una línea de producción de botellas de vino, se mostrarán al sistema multitud de imágenes de botellas con los pixeles que las conformen etiquetados, de este modo, los algoritmos aprenden sus características (formas, bordes, colores, tamaño…) para, posteriormente, reconocerlas de manera autónoma en las imágenes.

Tras la etapa de formación, el equipo está preparado para el reconocimiento automático de elementos, proceso en el que entra en juego la inteligencia artificial y, más concretamente, el deep learning o aprendizaje profundo. Esta rama del machine learning trabaja con redes neuronales convolucionales, que imitan la dinámica de comportamiento de las redes neuronales biológicas.

Los algoritmos avanzados que se emplean barren la imagen a partir de áreas reducidas de la misma. De este modo, cada pequeño grupo de pixeles pasa por las diversas capas de la red, organizadas de tal manera que las primeras identifican formas simples (líneas, curvas, colores…), reconociendo en cada paso elementos de mayor complejidad (figuras, rostros…). Cuantas más capas tenga la red o malla tejida, más acertados serán los resultados obtenidos.

Una vez examinados todos los pixeles, los sistemas de visión artificial determinan cuales de las características obtenidas se corresponden, y volvemos al ejemplo anterior, con la botella de nuestra línea de producción y sus atributos aprendidos. A partir de aquí si la herramienta percibe anomalías en la imagen ideal de la botella que se ha definido en el entrenamiento, emitirá una alarma o la sacará de la cinta transportadora, en función de la tarea que se haya encomendado a la línea.

Aplicación de la visión artificial en la industria

Las potencialidades de la visión artificial son innumerables y, como ya hemos comentando, aplicables a todos los sectores de actividad. En el ámbito industrial, en el que nos hemos centrado, puede utilizarse además de para la detección de anomalías, para la clasificación de objetos, la retirada de elementos defectuosos, para realizar clasificaciones por tamaño u otra característica de los materiales, o para la medición de piezas, entre otras aplicaciones.

Con la concurrencia de la visión máquina, todos estos procesos se vuelven más rápidos, más precisos y nos permiten identificar fallos de manera temprana eliminando de la cadena de producción elementos o artículos defectuosos, lo que redunda en el ahorro de costes y en el aumento de la eficiencia y calidad.