Nuevas funciones de detección de errores con inteligencia artificial y tecnología de aprendizaje automático

FANUC presentó recientemente una nueva herramienta/función de AI Error Proofing en iRVision, diseñada para la inspección de piezas y que utiliza tecnología de aprendizaje automático (machine-learning).

¿Qué es la detección de errores?

La detección de errores determina que un proceso de producción se desarrolla según lo previsto. Durante la producción, suelen existir áreas problemáticas conocidas que dan lugar a la creación de piezas defectuosas. La comprobación de posibles problemas durante la producción permite a los fabricantes desechar o retrabajar las piezas inaceptables al inicio de una corrida y corregir los problemas antes de que se produzcan muchas piezas, lo que supone un ahorro significativo de tiempo y dinero. La nueva función AI Error Proofing está diseñada para comprobar dos situaciones distintas, y es necesario utilizar imágenes de ejemplo de ambas situaciones para entrenar esta nueva función. Por ejemplo, si esta herramienta se utiliza para comprobar la presencia o ausencia de una tuerca soldada, es necesario utilizar imágenes de la pieza con la tuerca y sin la tuerca para entrenar la función de AI Error Proofing. AI Error Proofing no está diseñada para detectar defectos como rayones o abolladuras que se producen en posiciones aleatorias en una pieza.

FANUC introdujo iRVision en 2006 y cada año sigue añadiendo nuevas capacidades y funcionalidades que hacen que iRVision sea más fácil de usar y más potente. La nueva herramienta AI Error Proofing está integrada en iRVision y permite utilizar la Inteligencia Artificial (IA) sin necesidad de hardware adicional. Al igual que todos los productos iRVision, AI Error Proofing no requiere un procesador adicional: todo el procesamiento se realiza dentro del controlador del robot de alta fiabilidad de FANUC.  El mismo procesador que controla el robot y su movimiento, realiza el procesamiento de visión, incluida la función de AI Error Proofing. Dado que iRVision no utiliza un ordenador o PC ni una cámara inteligente, no afecta negativamente a la fiabilidad de una celda de trabajo.

¿Qué hace que la nueva función AI Error Proofing de FANUC sea inteligencia artificial?

Al proporcionar múltiples ejemplos de piezas buenas y piezas malas, la herramienta de AI Error Proofing es capaz de diferenciar entre ambas durante los ciclos 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 de AI Error Proofing clasifica automáticamente las piezas durante la producción.

La comprobación de posibles problemas durante la producción permite a los fabricantes desechar o retrabajar las piezas inaceptables al inicio de una corrida y corregir los problemas antes de que se produzcan muchas piezas, lo que supone un ahorro significativo de tiempo y dinero.

La Figura 1 muestra un ejemplo de cómo la función AI Error Proofing detecta una tuerca soldada en un soporte de montaje de amortiguador. En el proceso de aprendizaje de AI Error Proofing se utilizaron ejemplos de la tuerca soldada y de la tuerca que faltaba. 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 color cian.

Figura 1. AI Error Proofing entrenado

La Figura 2 muestra un ejemplo en el que el operador diferencia entre varios casos. 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 son de color cian y los de la clase 2 son de color 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.  La combinación de la capacidad de comparación de patrones de la herramienta GPM Locator con la herramienta AI Error Proofing permite encontrar y clasificar piezas al mismo tiempo en la misma imagen. La combinación de estas herramientas permite al robot recoger aplicadores de plástico de una cinta transportadora y colocar los que tienen tapa en la máquina de llenado, 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 añadir fácilmente imágenes a la biblioteca. Durante el inicio de la producción, las piezas que están clasificadas incorrectamente pueden añadirse a los datos aprendidos como piezas clasificadas correctamente y mejorar el modelo aprendido.

En el escenario actual, la herramienta AI Error Proofing genera ejemplos como clase 1 o 2. Si el ejemplo no entra en ninguna de las dos clases, se generará como indeterminado.  Si la clase es indeterminada, se puede añadir manualmente para mejorar el modelo aprendido. Junto con la clase, también se muestra el nivel de confianza. Cuanto mayor sea el nivel de confianza, más seguro estará el AI Error Proofing de que el ejemplo encaja en una de las dos clases. Basándose en un umbral definido por el usuario, la aplicación se puede configurar para marcar las inspecciones con un nivel de confianza bajo y permitir al operador añadir manualmente el ejemplo a los datos aprendidos para mejorar el modelo aprendido.

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 a este inspeccionar piezas desde múltiples ángulos y ubicaciones. En muchos casos, se puede añadir una cámara al herramental para incorporar la función de detección de errores con un impacto mínimo en el proceso existente. En otros casos, puede resultar más rentable añadir un nuevo robot para colocar la cámara en diferentes ubicaciones alrededor de la pieza.  La cámara no tiene por qué estar montada en un robot, sino que puede instalarse en la celda de trabajo para detectar errores en una zona concreta 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 zonas necesarias de la pieza de trabajo.

Las empresas que utilizan AI Error Proofing no necesitarán un ingeniero de visión con experiencia para configurar el proceso. Siempre que el ojo humano pueda detectar las diferencias entre las piezas, AI Error Proofing también podrá diferenciar entre las piezas de trabajo. AI Error Proofing se puede utilizar en casos en los que incluso un ingeniero de visión con experiencia tendría dificultades para realizar el trabajo con las herramientas de visión artificial convencionales.

Incluso sin la función de AI Error Proofing, un ingeniero de visión con experiencia puede configurar el proceso de visión de detección de errores para muchas aplicaciones utilizando el conjunto de herramientas de iRVision, pero a menudo se necesita una cantidad significativa de tiempo para configurar y garantizar la fiabilidad de algunos de los procesos más complicados. El uso de la función AI Error Proofing para aprender a diferenciar entre piezas buenas y malas elimina la necesidad de contar con un ingeniero de visión experto.  También reduce la complejidad de la configuración de la visión, lo que ahorra tiempo y dinero durante la integración y la puesta en marcha.  

Una iluminación adecuada y constante es siempre importante en las aplicaciones de visión artificial.  Con la función AI Error Proofing, esto deja de ser una preocupación.  Al proporcionar ejemplos de piezas buenas y defectuosas en diferentes condiciones de iluminación, la función AI Error Proofing puede aprender la diferencia entre los ejemplos y diferenciar correctamente entre las piezas buenas y defectuosas.

Las cámaras iRVision de FANUC utilizan lentes de distancia focal fija. Esto significa que el campo de visión es un factor de la lente seleccionada y la distancia de la cámara al área de visión. Al seleccionar la lente y la distancia de separación adecuadas, se puede lograr el campo de visión correcto necesario 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, más fiable será la clasificación de la función de AI Error Proofing.

Existe una idea equivocada en el ámbito de la visión artificial que afirma que se requiere una imagen de alta resolución para obtener buenos resultados. En la mayoría de los casos de automatización robótica, la alta resolución simplemente no es necesaria. La herramienta FANUC de AI Error Proofing está diseñada para ofrecer un alto rendimiento con una cámara de resolución estándar.

En resumen, añadir la comprobación de errores puede mejorar un proceso de fabricación al detectar los errores de fabricación de forma temprana, lo que mejorará la eficiencia de la producción.  La nueva herramienta AI Error Proofing en iRVision facilita la incorporación de la detección de errores a cualquier aplicación robótica de FANUC, lo que proporciona a los clientes una serie de ventajas, entre las que se incluyen:

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

Para obtener más información, visite www.fanucamerica.com/irvision.