Las nuevas funciones de prevención de errores con inteligencia artificial incorporan tecnología de aprendizaje automático

FANUC presentó recientemente una nueva función de detección de errores con IA en iRVision, diseñada para la inspección de piezas y que utiliza tecnología de aprendizaje automático. 

¿Qué es la prevención de errores?

La detección de errores determina que un proceso de producción se desarrolle según lo planeado. Durante la producción, suelen existir áreas problemáticas conocidas que dan lugar a la creación de piezas defectuosas. La verificación de posibles problemas durante la producción permite a los fabricantes descartar o reelaborar las piezas inaceptables al inicio de una tirada, y corregir los problemas antes de que se produzcan muchas piezas; esto ahorra una cantidad significativa de tiempo y gastos. 

La nueva herramienta de prevención de errores con IA está diseñada para detectar dos situaciones distintas, y es necesario utilizar imágenes de ejemplo de ambas situaciones para entrenar la herramienta. Por ejemplo, si esta herramienta se utiliza para verificar la presencia o ausencia de una tuerca soldada, se deben utilizar imágenes de la pieza con la tuerca y sin ella para entrenar la herramienta de prevención de errores con IA. La prevención de errores con IA no está diseñada para detectar defectos como rayones o abolladuras que se presentan en posiciones aleatorias en una pieza.

FANUC presentó iRVision en 2006 y, cada año, sigue agregando nuevas características y funcionalidades que hacen que iRVision sea más fácil de usar y más potente. La nueva herramienta de verificación de errores con IA está integrada en iRVision y permite el uso de la IA sin necesidad de hardware adicional. 

Al igual que todos los productos iRVision, la detección de errores con IA no requiere un procesador adicional: todo el procesamiento se realiza dentro del controlador de robot altamente confiable de FANUC. El mismo procesador que controla el robot y su movimiento se encarga del procesamiento de visión, incluida la función de detección de errores con IA. Dado que iRVision no utiliza una computadora ni una cámara inteligente, no afecta negativamente la confiabilidad de una celda de trabajo.

¿Qué hace que la nueva herramienta de detección de errores con IA de FANUC sea inteligencia artificial?

Al proporcionar múltiples ejemplos de piezas buenas y defectuosas, la herramienta AI Error Proofing es capaz de diferenciar entre ambas durante las series de producción. Durante la configuración, el operador puede presentar múltiples ejemplos de piezas de trabajo y clasificarlas en dos categorías: buenas y defectuosas. Una vez que el operador clasifica las imágenes, la función AI Error Proofing clasifica automáticamente las piezas durante las series de producción.

La detección de posibles problemas durante la producción permite a los fabricantes descartar o reelaborar las piezas inaceptables al inicio de una serie, y corregir los problemas antes de que se produzcan grandes cantidades de piezas, lo que ahorra una cantidad significativa de tiempo y gastos.

La Figura 1 muestra un ejemplo de cómo la función de detección de errores con IA identifica una tuerca soldada en un soporte de amortiguador. En el proceso de aprendizaje de la función de detección de errores con IA se utilizaron ejemplos de la tuerca soldada y de la tuerca faltante. En el ejemplo, la clase 1 se entrenó con la tuerca y la clase 2 se entrenó sin la tuerca. La Figura 1 muestra la tuerca soldada en la clase 1, resaltada en cian.

Figura 1: AI Error Proofing entrenado

La Figura 2 muestra un ejemplo en el que el operador distingue entre los distintos ejemplos. El operador clasifica un aplicador de plástico con tapa como clase 1 y sin tapa como clase 2. Todos los ejemplos de la clase 1 aparecen en cian y los de la clase 2, en naranja.

Figura 2: Clasificación

La Figura 3 muestra los resultados de las clasificaciones de la Figura 2. Se pueden clasificar varios objetos en la misma imagen. El ejemplo de la Figura 3 muestra dos aplicadores diferentes. El que tiene tapa está resaltado en cian y el que no tiene tapa está resaltado en naranja. En este caso, la herramienta GPM Locator de iRVision identificó la ubicación y la orientación del aplicador. 

Al combinar la capacidad de reconocimiento de patrones de la herramienta GPM Locator con la herramienta de control de errores con IA, es posible localizar y clasificar piezas al mismo tiempo en una misma imagen. La combinación de estas herramientas permite que el robot tome los aplicadores de plástico de una cinta transportadora y coloque los que tienen tapa en la máquina llenadora, y los que no la tienen en un contenedor de rechazo.

Figura 3: Resultados encontrados

Dado que la IA es un proceso de aprendizaje, un operador puede agregar imágenes fácilmente a la biblioteca. Durante el inicio de la producción, las piezas que se clasifican incorrectamente pueden agregarse a los datos aprendidos como una pieza correctamente clasificada y así mejorar el modelo entrenado.

En el escenario actual, la herramienta de verificación de errores con IA genera resultados clasificados como clase 1 o 2. Si el ejemplo no se clasifica en ninguna de las dos clases, se generará un resultado de «indeterminado». Si la clase es indeterminada, se puede agregar manualmente para mejorar el modelo entrenado. Junto con la clase, también se muestra el nivel de confianza. 

Cuanto mayor sea la confianza, más seguro estará la herramienta de verificación de errores con IA de que el ejemplo pertenece a una de las dos clases.  Basándose en un umbral definido por el usuario, la aplicación puede configurarse para marcar las inspecciones con baja confianza y permitir que el operador agregue manualmente el ejemplo a los datos de entrenamiento para mejorar el modelo entrenado.

Al igual que todos los productos de iRVision, AI Error Proofing es compatible tanto con cámaras montadas en robots como con cámaras fijas. Una cámara montada en un robot permite que este inspeccione piezas desde múltiples ángulos y ubicaciones. En muchos casos, se puede agregar una cámara al equipo de trabajo para incorporar la funcionalidad de detección de errores con un impacto mínimo en el proceso existente. 

En otros casos, puede ser más rentable agregar un nuevo robot para colocar la cámara en diferentes ubicaciones alrededor de la pieza.  No es necesario que la cámara esté montada en un robot; puede instalarse en la celda de trabajo para detectar errores en un área específica de la pieza de trabajo. Dado que iRVision admite hasta 27 cámaras, se puede utilizar cualquier combinación de cámaras montadas en robots o fijas para detectar errores en todas las áreas requeridas de la pieza de trabajo.

Las empresas que utilicen la detección de errores con IA no necesitarán un ingeniero de visión con experiencia para configurar el proceso. Siempre que el sistema de visión pueda detectar las diferencias entre las piezas, la detección de errores con IA también podrá diferenciar entre las piezas de trabajo. La detección de errores con IA se puede utilizar en casos en los que incluso un ingeniero de visión con experiencia tendría dificultades para realizar el trabajo con herramientas de visión artificial convencionales.

Incluso sin la verificación de errores con IA, un ingeniero de visión con experiencia podría configurar el proceso de verificación de errores para muchas aplicaciones utilizando el conjunto de herramientas de iRVision; sin embargo, a menudo se requiere una cantidad significativa de tiempo para configurar y garantizar la confiabilidad en algunos de los procesos más complicados.

El uso de la función de detección de errores con IA para aprender a diferenciar entre piezas buenas y defectuosas elimina la necesidad de contar con un ingeniero de visión experto. Además, reduce la complejidad de la configuración del sistema de visión, lo que ahorra tiempo y dinero durante la integración y la puesta en marcha.  

Una iluminación adecuada y constante siempre es importante en las aplicaciones de visión industrial. Con la detección de errores mediante IA, esto deja de ser una preocupación. Al proporcionar ejemplos de piezas buenas y defectuosas bajo diferentes condiciones de iluminación, la detección de errores mediante IA puede aprender la diferencia entre los ejemplos y distinguir correctamente entre las piezas buenas y las defectuosas.

Las cámaras iRVision de FANUC utilizan un lente de distancia focal fija. Esto significa que el campo de visión depende del lente seleccionado y de la distancia entre la cámara y el área de visualización. Al seleccionar el lente y la distancia de separación adecuados, se puede lograr el campo de visión correcto requerido para el proceso de detección de errores. Por lo general, cuanto mayor sea el área que se va a someter a la detección de errores dentro del campo de visión, con mayor confiabilidad podrá clasificarla la detección de errores con IA.

Existe una idea errónea en el campo de la visión artificial de que es necesario contar con imágenes de alta resolución. En la mayoría de los casos de automatización robótica, la alta resolución simplemente no es necesaria. La detección de errores con IA de FANUC está diseñada para ofrecer un alto rendimiento con una cámara de resolución estándar. 

En resumen, incorporar la detección de errores puede mejorar un proceso de fabricación al detectar los errores de fabricación a tiempo, lo que mejorará la eficiencia de la producción. La nueva herramienta iRVision de detección de errores con IA de FANUC facilita la incorporación de la detección de errores a cualquier aplicación robótica de FANUC, lo que brinda a los clientes una variedad de ventajas, entre ellas:

• Reduce los requisitos de iluminación y resolución de la cámara.
• Reduce significativamente la cantidad de horas de ingeniería necesarias para perfeccionar el sistema.
• Minimiza los costos en comparación con los métodos tradicionales.