Producción inteligente La IA en la inspección de calidad óptica: ¿es realmente útil?

¿Vamos a tener pronto fábricas totalmente autónomas e inteligentes? Si cree a pies juntillas todo lo que se dice de la inteligencia artificial, esta es la idea. Por lo que respecta a la inspección de calidad automatizada, por ejemplo, la IA realmente soluciona algunos problemas. Sin embargo, las soluciones de IA productivas todavía están a años luz de poder ofrecer todo lo que se les atribuye.

Requieren una fuerte inversión y son rentables solamente en condiciones muy específicas. Para muchas tareas, la IA ni siquiera es necesaria. ¿Qué papel desempeña la IA para mejorar el campo concreto de la inspección de calidad óptica? ¿Cuándo tiene sentido realmente y cuándo no?

En el caso de las inspecciones OK-NOK sencillas, los sistemas determinísticos de procesamiento de imágenes con algoritmos basados en reglas son más que suficientes. Son capaces de detectar cualquier desviación de la norma como defecto o pieza a inspeccionar NOK.

Estos sistemas se utilizan en aplicaciones básicas para la seguridad regidas por estrictos criterios de calidad. Las reglas programadas específicamente impiden que la inspección pase por alto cualquier defecto. A menudo, se acepta deliberadamente una tasa más alta de pseudodefectos para poder cumplir los requisitos de alta calidad con tiempos de ciclo más cortos.

Las soluciones basadas exclusivamente en la IA no son del todo adecuadas en este tipo de contextos. El motivo es que funcionan a partir de ejemplos de entrenamiento. Según la calidad de los datos de entrenamiento, los resultados fluctúan en función de las probabilidades: un control de calidad rechazado cuando la tasa de errores necesaria es cero.

La IA tendrá su momento en la inspección visual cuando los resultados absolutos sean menos importantes que las estimaciones o las valoraciones. Por ejemplo, en aplicaciones no relacionadas con la seguridad, cuando no se necesita una tasa de detección del 100 %; para funciones y situaciones de inspección fluctuantes; o para complementar el procesamiento de imágenes híbridas.

¿En qué casos o para qué tareas la IA resulta especialmente útil para la inspección de calidad óptica?

La forma, el color, el tamaño y la posición de las grietas, las manchas o las salpicaduras pueden presentar muchas diferencias y variaciones. La detección basada en reglas de estos defectos variables resulta compleja. La IA es capaz de filtrar los defectos, clasificarlos y valorar si una pieza a inspeccionar puede tener un estado OK o no.

La valoración final la puede realizar un sistema basado en reglas o un inspector humano. Al alimentar la IA con las valoraciones corregidas, esta va mejorando sus valoraciones.

La IA puede contribuir a reducir la habitual tasa elevada de pseudoerrores de los sistemas basados en reglas. Para ello es necesario entrenar la IA con datos que contengan errores dentro de un límite o rango de tolerancia. De este modo, la IA aprende a distinguir cuándo los defectos son aceptables o no aceptables.

El volumen de datos de la inspección de calidad óptica tiende a incrementarse de forma abrupta por la mayor resolución disponible, los datos 3D y el mayor tamaño de los componentes inspeccionados. Como consecuencia, la evaluación en tiempo real conlleva más tiempo e incluso se puede llegar a superar el tiempo de ciclo de la línea de fabricación, lo que también genera demoras. Una de las fortalezas de la IA es la posibilidad de procesar grandes cantidades de datos con mayor rapidez que los algoritmos convencionales. Es capaz de filtrar, ordenar y evaluar con antelación los datos de las imágenes para realizar una inspección posterior, lo que acelera significativamente el proceso de inspección en general.

Incluso las líneas de fabricación automatizadas todavía cuentan con inspectores humanos: en casos dudosos o ante componentes complejos, son los que tienen la última decisión. La revisión manual exige una concentración máxima. Los sistemas de IA pueden preparar y procesar los datos para facilitar el trabajo de los inspectores. Todo ello permite mejorar la ergonomía del puesto de trabajo y reducir los costes de personal, un argumento muy convincente sobre todo cuando es difícil encontrar trabajadores cualificados.

¿Cómo pueden las empresas fundamentar la elección de una solución con o sin IA? Deberían tener en cuenta tres criterios:

1. Funciones
2. Esfuerzos de integración
3. Coste

Por decirlo llanamente, hay que determinar si la IA puede reportar algún tipo de beneficio para el escenario en general y si dicho beneficio compensa y justifica la inversión. A pesar de la moda de la IA, el cálculo del ROI debe realizarse con la cabeza fría. Las siguientes preguntas pueden ayudar:

●       ¿Ayudaría la IA a mejorar los resultados de inspección a largo plazo?

●       ¿Qué nivel de precisión tienen que tener los resultados de inspección? ¿Cuáles son nuestros requisitos de calidad? ¿Los componentes son relevantes para la seguridad?

●       ¿Qué tasa de error ofrece el método de inspección actual y en qué medida puede reducirse con la IA?

No todas las soluciones de IA son idénticas. En su forma más sencilla, un sistema de IA se entrena con piezas correctas y cualquier desviación se clasifica como defecto (detección anómala). Para los ensayos más complejos y precisos, la IA tiene que entrenarse con muchos más datos relativos a todos los posibles casos. ¿Qué habilidades se necesitan realmente?

Cuanto más compleja es la solución, mayor es el esfuerzo de entrenamiento. Además, debe existir cantidad suficiente de datos, incluidos errores y casos dudosos. Por lo tanto, una de las preguntas más importantes es: ¿Disponemos de estos datos? En caso negativo, ¿de dónde los obtenemos?

Cuánto más pueda hacer una red neural de una IA, más recursos necesita. El coste de hardware y consumo informático (en la nube) es exponencialmente superior para una solución de IA que para el software normal.

Es decir, el esfuerzo y el coste que implican una solución de IA es relativamente alto, lo que dificulta obtener un ROI rápido. En cambio, un algoritmo basado en reglas brinda resultados fiables desde el primer día. No hay que olvidar tampoco que la IA precisa de optimización sobre la marcha. Quizás se necesiten años hasta obtener la calidad necesaria. Hasta entonces, las empresas tendrán que hacer frente a costes más altos y resultados pobres.