La evolución de la IA destaca la simplicidad y precisión para la inspección de calidad en el empaque de productos tisú

Hace unos años, la economía de consumo comenzó a adoptar y apreciar el poder de la inteligencia artificial (IA). 

Comenzó como una tecnología fundamental en el reconocimiento de voz, texto e imagen en teléfonos móviles, expandiéndose progresivamente a muchas otras aplicaciones como diagnóstico médico, seguridad en Internet, toma de decisiones, y ahora esta misma tecnología ha madurado para aplicarse a la inspección de calidad y otros usos basados ​​en el juicio en el entorno industrial. Debido a las limitaciones computacionales de las CPU, la IA no se pudo adoptar antes, y ahora que se ha llenado esta brecha tecnológica, varios procesos de producción pueden beneficiarse de una inmensa potencia nueva. 

Körber Tissue ha invertido una parte constante de su presupuesto de I+D en la aplicación de IA para desarrollar soluciones para fabricantes y convertidores de tisú. 

El primer resultado es un sistema de inspección de calidad de empaque lanzado hace un año bajo el nombre de Sam Pack. Este sistema aprende cómo se ve una buena muestra y es capaz de reconocer diferentes muestras de ella, dada una tolerancia específica. Con el mismo enfoque, Sam Pack también puede aprender a reconocer defectos específicos del empaque, como desalineaciones de impresión, defectos de sellado lateral, etc. 

El núcleo de esta tecnología es la aplicación de redes neuronales convolucionales y técnicas de aprendizaje profundo para permitir una forma precisa pero simple de inspeccionar la calidad del empaque durante la producción. Este artículo explicará cómo funciona esta tecnología y por qué tiene ventajas constantes sobre la inspección humana y los sistemas de visión tradicionales basados ​​en algoritmos de reglas. 

El concepto detrás de una red neuronal convolucional es imitar la red de neuronas responsables del procesamiento de imágenes y la toma de decisiones en un cerebro humano. La red recibe la imagen a procesar como entrada, y se divide en varias capas, cada una con funciones específicas. El primer grupo comprende las capas convolucionales y se encarga de reducir drásticamente la cantidad de información almacenada en los píxeles que componen la imagen, dejando solo los detalles útiles que realmente ayudan a distinguir la imagen de entrada y reduciendo la cantidad de datos a procesar. Esto se llama extracción de recursos. 

El segundo grupo comprende capas completamente conectadas, que son responsables de representar mejor la imagen de referencia y decidir qué tan similar se compara una imagen de entrada aleatoria con la referencia. Este proceso se llama clasificación. La clave de esta arquitectura, que la hace increíblemente flexible, es que cada capa contiene un número definido de parámetros que deben definirse para que la red extraiga los detalles correctos de la imagen, represente correctamente la imagen de referencia y, en consecuencia, para decidir correctamente si una imagen aleatoria es o no similar a la referencia. 

El proceso para establecer estos parámetros se llama aprendizaje profundo. Consiste en alimentar la red con un conjunto de imágenes que representan la referencia, que en el caso de la inspección de calidad de empaque son imágenes de buenas muestras, y algoritmos específicos pueden definir recursivamente los parámetros para llegar a una configuración final que realiza la extracción y clasificación de características de la mejor manera posible. 

Este proceso de aprendizaje se puede realizar cada vez que la imagen de referencia necesita cambiar, por ejemplo, cambiar de un formato de paquete a otro, y simplemente escanear algunas buenas muestras. Luego, el software actualiza la red automáticamente. 

Parece bastante claro, entonces, que esta tecnología ofrece grandes ventajas en comparación con los sistemas de visión tradicionales. Se basan en algoritmos de reglas, y esto significa que para que se reconozca cada detalle de la imagen, se debe codificar una regla específica. Esta solución puede ser efectiva en el caso de imágenes simples con muy poca variabilidad, pero en caso contrario requiere una gran cantidad de líneas de código para ser creadas, lo que aumentaría el costo de creación, mantenimiento y modificación, además de una alta habilidad de codificación. Además, para imágenes complejas, el rendimiento de las redes neuronales convolucionales es consistentemente mayor y es posible personalizar la tolerancia de decisión de la red evaluando la similitud de la imagen de un paquete aleatorio con la referencia. Al comparar Sam Pack con la inspección humana tradicional, también se pueden reconocer varias ventajas, como la estabilidad de la inspección las 24 horas, los 7 días de la semana, la confiabilidad y, además, la velocidad. 

En conclusión, se puede observar que las redes neuronales convolucionales fueron diseñadas para presentar las ventajas tanto de la inspección humana, por su precisión y flexibilidad, como de la inspección automatizada, por su confiabilidad, estabilidad y velocidad, representando el estado del arte actual en inspección de calidad. 

Este artículo ha sido escrito para TWM por Nicolò Squarzoni, Product Manager - Packaging & Digital Körber Tissue. Vea el artículo publicado en Tissue World Magazine en este enlace.