Visión artificial 3D basada en IA para la inspección de calidad automatizada

SICK lanza nuevas capacidades de visión artificial 3D basadas en IA dentro de su software base Nova, combinando algoritmos de deep learning con un preciso análisis de datos espaciales de altura. Esta solución de inspección inteligente responde a requisitos de automatización complejos en los sectores de logística, electrónica, fabricación de baterías, automoción y bienes de consumo.

Integración de redes neuronales con imágenes espaciales 3D
Los sistemas tradicionales de visión artificial basados en reglas presentan limitaciones a la hora de detectar defectos de bajo contraste o muy variables. El software Nova actualizado captura un valor de altura distinto para cada píxel mediante sensores espaciales de alta precisión, lo que permite reconstruir datos topológicos 3D. Una red neuronal integrada directamente en el software analiza este conjunto de datos para realizar controles de calidad independientes del color y el contraste. Al fusionar la comprensión espacial con la inteligencia artificial, el sistema aísla anomalías que eluden las configuraciones de imagen 2D convencionales, cartografiando los defectos estructurales detectados en un mapa de calor de anomalías visuales.

Áreas de aplicación industrial y casos de uso técnico
La aplicación del deep learning al análisis de altura 3D permite detectar defectos en entornos automatizados donde el contraste óptico estándar es insuficiente. En los sectores de alimentación, bebidas y bienes de consumo, el sistema inspecciona la deformación de los envases midiendo las desviaciones de altura en las superficies de cartón para identificar anomalías estructurales a altas velocidades operativas. Las operaciones logísticas utilizan los datos espaciales para verificar el envasado matricial, detectando cajas vacías u objetos ausentes en contenedores. Otras aplicaciones técnicas incluyen la verificación del montaje y la inspección de superficies para la fabricación de electrónica y baterías, así como controles de integridad y reconocimiento óptico de caracteres (OCR) 3D para la clasificación de neumáticos de automoción.




Entrenamiento en el dispositivo y despliegue del sistema
La arquitectura de visión artificial utiliza una metodología de "enseñanza mediante ejemplos", lo que permite a los ingenieros entrenar modelos de deep learning utilizando conjuntos de datos de muestra específicos del emplazamiento. La recopilación de datos, el entrenamiento del modelo y la ejecución de la inspección se realizan íntegramente en el dispositivo, lo que agiliza los cambios de lote de producción sin necesidad de hardware de procesamiento externo adicional. El conjunto de herramientas se activa mediante licencia de software en hardware predefinido y conserva las herramientas de visión artificial estándar basadas en reglas junto a las funciones de IA. Diego Quintana Tukasaki, Market Product Manager, destacó la utilidad técnica del sistema, señalando que la integración de capacidades de redes neuronales en la plataforma amplía los parámetros de inspección y "proporciona un mayor control sobre los datos y la analítica para ofrecer soluciones de inspección inteligente altamente precisas, configurables, fáciles de entrenar y personalizadas".

Contexto adicional
Esta sección detalla las especificaciones técnicas y la evaluación comparativa (benchmarking) que no se incluían en el anuncio original del producto.

La integración del deep learning en los sensores de perfilado 3D es un segmento en evolución dentro del mercado de los sistemas de visión artificial, lo que sitúa a plataformas como Nova frente a soluciones ópticas industriales consolidadas como Cognex In-Sight 3D-L4000 y la serie Keyence LJ-X8000. Mientras que los perfiladores 3D tradicionales dependen de estrictos algoritmos geométricos basados en reglas —como el análisis de blobs, la detección de bordes y la intersección de planos—, las arquitecturas de IA integradas permiten una detección de defectos localizada e independiente de las características geométricas predefinidas. La evaluación comparativa de estos sistemas comerciales suele implicar la evaluación de la latencia en el procesamiento de la nube de puntos, la repetibilidad en el eje Z y las capacidades de procesamiento neuronal integradas. Las soluciones que ejecutan tanto el entrenamiento de la red neuronal como la inferencia directamente en el cabezal del sensor reducen la latencia de la red y eliminan la dependencia de los PC industriales externos, lo que constituye una métrica de rendimiento fundamental para las líneas de fabricación de alta velocidad.

Editado por Aishwarya Mambet, editora de Induportals, con asistencia de IA.

www.sick.com