El control de calidad industrial está experimentando un cambio radical. Mientras que los sistemas de procesamiento de imágenes basados en reglas o las inspecciones visuales manuales han sido práctica habitual durante décadas, el uso de la inteligencia artificial (IA) está abriendo posibilidades completamente nuevas. Los procesos basados en IA están revolucionando el procesamiento de imágenes industriales y haciendo que los procesos de producción sean más eficaces, sólidos y rentables.
La iluminación adecuada siempre ha sido un requisito fundamental para el éxito de una aplicación de visión artificial, independientemente de si se trata de un sistema basado en reglas o asistido por IA. Sin embargo, persiste la idea errónea, especialmente en las aplicaciones de IA, de que la iluminación desempeña un papel secundario, ya que la red neuronal puede simplemente “compensar” las malas condiciones de iluminación durante el entrenamiento. Hasta la fecha, existen dos enfoques comunes para optimizar las aplicaciones de IA: El enfoque centrado en el modelo, que se centra en optimizar la arquitectura del modelo y los hiperparámetros, y el enfoque centrado en los datos, que se basa en un conjunto de datos de entrenamiento de la mayor calidad y equilibrio posibles. Sin embargo, la solución de aplicaciones en el campo de la IA de visión artificial a menudo enfrenta a las empresas a plazos de proyecto innecesariamente largos y a los elevados costes asociados, que también se deben, entre otras cosas, a la disponibilidad de datos de entrenamiento limitados.
Estos retos pueden superarse con una estrategia de iluminación bien orientada. Esto se debe a que una estrategia de iluminación bien planificada y estructurada puede reducir la complejidad y minimizar los problemas desde el principio. Este “enfoque centrado en la iluminación” puede hacer que los modelos de IA con iluminación optimizada sean más sólidos y precisos. Esto se debe a que un mejor concepto de iluminación hace más controlable una amplia gama de condiciones ambientales y provoca menos variación en las imágenes. Esto significa que se necesitan menos imágenes de entrenamiento y que el sistema consigue mayor precisión con menos datos, como muestran las cifras del desarrollador de software MVTec:
Con el mismo número de imágenes, la precisión podría aumentar del 89 % al 97 % con una iluminación adecuada. Además, con una iluminación de alta calidad, ya se podía conseguir una precisión del 89 % con 45 imágenes en lugar de 175 imágenes. Esto significa que se consiguió el mismo resultado con sólo una cuarta parte de los datos de imagen. Estos resultados son especialmente relevantes cuando la limitación de los datos de entrenamiento es un reto importante para el proyecto de procesamiento de imágenes basado en IA. En resumen, la iluminación adecuada puede ser la clave del éxito en el procesamiento de imágenes, independientemente de que se utilicen enfoques tradicionales o basados en IA. Una iluminación adecuada ayuda a reducir las tasas de error, reducir los costes y mejorar la precisión general del sistema.
El siguiente plan de cuatro pasos permite conseguir la iluminación perfecta para cada aplicación en el procesamiento de imágenes. El primer paso consiste en seleccionar el principio de iluminación adecuado. El objetivo de elegir el método adecuado es resaltar los detalles relevantes y suprimir al mismo tiempo la información no deseada. La amplia gama de iluminación de wenglor ofrece una selección de métodos de iluminación diferentes, incluidos principios típicos como el campo claro, el campo oscuro, el anillo, el fondo y la iluminación tipo domo. Dependiendo de la aplicación, una combinación de varios principios de iluminación también puede ofrecer los mejores resultados.
Una vez establecido el principio, el segundo paso es determinar la longitud de onda correcta. El color de la fuente de luz influye notablemente en la visualización de la imagen. Mientras que la luz azul, por ejemplo, acentúa las zonas azules y blancas y suprime otras, la luz roja tiene el efecto contrario y realza todos los tonos rojos. Si la luz debe reducir textos impresos o revestimientos, la luz infrarroja, que penetra más profundamente en el material y suaviza los efectos superficiales, es una buena elección. Se utiliza a menudo en la industria del plástico para hacer “invisibles” las impresiones con el fin de inspeccionar la superficie subyacente. También hay que sopesar los inconvenientes de cada tipo de luz a la hora de elegir. Por ejemplo, aunque la luz blanca proporciona una luz natural, es muy sensible a la luz ambiente y, por tanto, menos fácil de controlar. Por tanto, la elección correcta del color de la luz también puede ayudar a reducir la varianza de las piezas de prueba. Esto puede tener un efecto positivo en la evaluación en la secuencia de pruebas posterior.
Además de la elección de la iluminación, la calidad de la imagen puede optimizarse aún más con filtros ópticos adicionales en el cuarto paso. La amplia gama de filtros ópticos wenglor ofrece la solución adecuada para cada necesidad, desde filtros de polarización hasta filtros paso banda y paso largo. Los filtros de polarización ayudan a reducir las reflexiones en superficies brillantes. Los filtros paso banda, que sólo dejan pasar determinadas longitudes de onda, se utilizan para aumentar el contraste de la imagen y mejorar la robustez frente a la luz ambiente. Si es necesario, los filtros de paso largo mejoran las imágenes infrarrojas bloqueando las fuentes de luz no deseadas. También hay disponibles lentes adecuadas, que pueden determinarse para aplicaciones específicas mediante la calculadora de visión wenglor.
Siguiendo estos cuatro pasos, se puede crear un sistema de iluminación sólido que proporcione el mejor punto de partida posible para las aplicaciones de visión artificial. En resumen, una iluminación adecuada no sólo reduce los errores y mejora la precisión, sino que también contribuye a que los modelos de IA sean más eficaces y a aumentar su capacidad de generalización.
Puesto