Visión artificial
Computer Vision
¿Qué es la visión por computadora?
- Que las computadoras «vean» e interpreten imágenes y videos
- Los ojos del reconocimiento facial, la detección de defectos y la conducción autónoma
- La técnica representativa es la CNN
Cuando se incorpora la visión por computadora, lo que realmente cambia es la «consistencia de los veredictos». Los inspectores humanos aplican criterios distintos por la mañana y por la tarde, y su juicio varía según la experiencia. La inspección por visión, en cambio, da la misma respuesta ante la misma imagen y deja registradas todas las fotos y coordenadas que sustentan el veredicto. Por eso, el efecto de la implementación se nota primero no en «haber reducido personal», sino en poder rastrear dónde y por qué se escapó un defecto. Que los registros de veredictos se acumulen como datos es la base para mejorar los equipos y responder a los reclamos de los clientes.
En el trabajo se presentan, en general, cinco formas. La clasificación, que asigna una etiqueta a la imagen completa; la detección, que además ubica cada objeto con un recuadro; la segmentación, que delimita áreas píxel por píxel; el OCR, que lee caracteres; y la detección de anomalías, que aprende solo de patrones normales y detecta lo que se aparta de ellos. En líneas con apenas unas decenas de muestras defectuosas, la detección de anomalías es más realista que las tres primeras. También cambian los requisitos. Los modelos de detección necesitan cientos o miles de imágenes etiquetadas por tipo de defecto, y si cambian la iluminación, el ángulo o el fondo, su desempeño se desploma. El lugar de procesamiento también es una decisión: si la línea deja pasar varias piezas por segundo, en lugar de ir y volver a la nube se usa un enfoque de borde (edge), que termina en decenas de milisegundos en el equipo instalado en planta. La IA multimodal, que describe imágenes, y un modelo de visión dedicado, que detecta una rayadura de 0.2 mm, son herramientas de usos distintos.
En la práctica, el error más frecuente es pensar que «basta con instalar una cámara». Alrededor de la mitad del esfuerzo del proyecto va a la iluminación y a los soportes de fijación, es decir, a lograr que cada toma se haga siempre en las mismas condiciones. El segundo error está en la cifra de precisión. En una línea con 0.5% de defectos, aunque se responda que todas las piezas son buenas, la precisión marcaría 99.5%. Las cifras que hay que mirar son la tasa de fuga, es decir, el porcentaje de defectos no detectados, y la tasa de sobredetección, es decir, el porcentaje de piezas buenas rechazadas. Cada fuga se convierte en un reclamo del cliente, y un aumento de la sobredetección se traduce en piezas buenas desechadas y en retrabajo de los inspectores. El tercero es la ilusión de que basta con entrenarlo una sola vez. Cuando cambian las especificaciones de la pieza o el proveedor del material, la tasa de detección puede colapsar en pocos meses. Por eso, si el reentrenamiento y la revisión de desempeño por trimestre no se incluyen en el reglamento operativo, la costosa cámara termina apagada y abandonada.
John KimAutor de «Diseño de marketing B2B» y CEO de Nanum Consultoría, instructor John Kim
Sungil KimExalumno de KAIST y ex Samsung Electronics; experto en pitch global que formó al equipo ganador del concurso de pitch de inversión de Select USA y de la Organización Mundial del Turismo (ONU)Campo que se estudia desde la década de 1960. En 2012, el aprendizaje profundo (AlexNet) elevó de forma notable el rendimiento del reconocimiento de imágenes y aceleró su uso práctico.
Veamos un caso hipotético. A, una empresa que fabrica piezas para automóviles, tiene 180 colaboradores y ventas anuales de KRW 42,000,000,000 (≈ US$31,435,700); es un proveedor de segundo nivel. Hasta ahora, la inspección visual de apariencia la hacían 12 personas en tres turnos, pero el año pasado se escaparon nueve defectos hacia el cliente y tuvo que pagar una indemnización por paro de línea. El área de aseguramiento de calidad recibió el encargo de un proyecto de implementación de inspección por visión de seis meses.
- El gerente Park, del equipo de Aseguramiento de Calidad, reunió 1,200 fotos de defectos de los últimos tres meses y vio que las etiquetas no coincidían. Al escuchar que «cada inspector describía los rayones y las abolladuras de forma distinta», rehizo de inmediato el álbum de fotos de criterios de juicio.
- La tasa de detección del primer modelo de prueba fue de apenas 71%. El diagnóstico fue que el problema no era el algoritmo, sino la iluminación. Cuando el equipo de ingeniería de equipos instaló una luz de anillo y un soporte fijo para unificar las condiciones de captura, la tasa subió a 89%.
- Como había solo 40 muestras de defectos por tipo, se planteó un enfoque de detección de anomalías que aprende únicamente de 8,000 piezas buenas. En el contrato con el proveedor se dejó por escrito, como umbral de aprobación, una tasa de fuga de 0.3% o menos y una tasa de sobredetección de 5% o menos.
- Durante dos meses, tres inspectores revisaron cada veredicto de la IA. Al establecer el jefe de línea la regla de que «solo se vuelven a revisar las piezas que el sistema rechaza por sobredetección», el volumen diario de revisiones bajó de 220 a 60 piezas.
- Se incluyó como punto fijo de la reunión de calidad volver a entrenar el modelo cada trimestre con 300 imágenes nuevas de defectos. En el cuarto trimestre, al cambiar el proveedor de materiales, la tasa de detección bajó 6 puntos porcentuales, y el problema se detectó en dos semanas.
- Un año después, las fugas de defectos hacia el cliente bajaron de 9 a 1, y el tiempo de inspección por pieza pasó de 22 segundos a 4. Seis de los 12 inspectores fueron reasignados a los procesos de ensamblaje y empaque.