Tecnología de análisis de programación previa

La tecnología de procesado de imágenes con programación previa nos permite realizar múltiples análisis del producto con parámetros basados en unidades de ingeniería. Algunos ejemplos serían:

Medición de alta precisión en estático y dinámico:

Mediciones lineales.
Mediciones angulares.
Mediciones indirectas por cálculo geométrico.
Medición de radios y circunferencias, roscas, taladros, perímetros, etc.
Medición de ovalidad.
Medición de índice de redondez.
Medición de áreas.
Medición de puntos de inyección.
Control de geometrías y deformaciones.
Control de presencia, posición y contenido de etiquetas.

Inspección superficial en estático y dinámico:

Texturas.
Golpes.
Rayas.
Rebabas.
Falta y/o exceso de material.
Detección de abolladuras.
Control de color correcto.
Control de uniformidad de color.
Verificación de contenido.
Verificación de formación de palets.

Lectura de caracteres y códigos:

Sistemas OCR (Optical Character Recognition)
Sistemas OCV (Optical Character Verification)
Lectura de código de barras, DataMatrix o QR, y trazabilidad.

Clasificación “Sorting Machine”:

Mediante control dimensional.
Por comparación de patrones.
Mediante color.
Mediante identificación por código de barras, DataMatrix o QR.

Guiado de robots:

Paletizado.
Despaletizado.
Guiado para corte de precintos.
Guiado para colocación de etiquetas en palets o cajas.

Alimentación flexible basada en la localización de piezas y guiado de robot:

Por comparación de patrones y/ color.
Por medición.
Mediante identificación por código de barras, DataMatrix o QR.

Control de dureza y/o templado de materiales:

Mediante control de corrientes inducidas multi-frecuencia.

Tecnología Deep Learning

La tecnología Deep Learning nos permite identificar, contar, localizar defectos, leer caracteres, etc. sin necesidad de realizar una programación previa de características a nivel dimensional, superficial de color.

Base de funcionamiento:

Su funcionamiento se basa en el análisis de datos para la creación de estadísticas y modelos predictivos utilizando redes neuronales.

El software de machine learning encuentra patrones en los datos existentes y los aplica a datos nuevos para tomar decisiones inteligentes.

Este método consigue automatizar el análisis predictivo de la forma más parecida a como lo hace el cerebro humano. Lo único que el sistema espera del operador es que le muestre el mayor número de elementos identificados posibles para usarlos como datos de entrenamiento.

Por ejemplo deberemos realizar un proceso previo de mostrar al sistema piezas correctas y piezas incorrectas de una misma referencia, o piezas de diferentes referencias o múltiples textos conteniendo los mismos caracteres con diferente ortografía.

La ventaja del aprendizaje profundo es que el programa crea el conjunto de funciones por sí mismo sin supervisión. El aprendizaje no supervisado no solo es más rápido, sino que suele ser más preciso.

Ejemplos de aplicación:

Identificación de productos.
Clasificación de piezas.
Contaje de piezas a granel.
OCR y OCV mediante Deep Learning.
Verificación de superficies complejas.
Localización de defectos superficiales y dimensionales.
Análisis de color correcto.