¿Cómo se puede implementar de forma fiable la detección de objetos en los sistemas de visión artificial industrial en condiciones de iluminación adversas?

El procesamiento de imágenes convencional basado en reglas alcanza rápidamente sus límites cuando se trata de reflejos, propiedades de superficie variables y condiciones de iluminación cambiantes. El uso de modelos de aprendizaje profundo, como YOLOv8, permite una detección de objetos robusta gracias al entrenamiento con conjuntos de datos aumentados de forma realista. Con ibaVision, estos modelos pueden integrarse en los sistemas de cámaras existentes y reentrenarse continuamente. Esto garantiza un rendimiento de detección estable incluso en condiciones de producción variables.

¿Cómo se pueden integrar los sistemas de visión artificial basados en IA en los entornos de producción existentes?

Una integración eficaz requiere una conectividad fluida con los entornos de datos y sistemas existentes sin aumentar la complejidad del hardware. ibaVision permite la integración de modelos de IA a través de interfaces estandarizadas, por ejemplo, basadas en Python. Los objetos detectados y los resultados pueden transferirse directamente a ibaPDA y vincularse con los datos de proceso. De este modo se crea una base de datos coherente para su posterior análisis.

¿Cómo se puede garantizar la trazabilidad de principio a fin de las características de calidad visual en la producción?

Para garantizar una trazabilidad completa, es necesario almacenar tanto las imágenes originales como los resultados de los análisis derivados. Con ibaCapture, los datos de imagen y los resultados de la detección de objetos pueden archivarse con sincronización temporal. En combinación con los datos de proceso de ibaPDA, esto crea un contexto completo para cada evento detectado. Esto permite una trazabilidad detallada y el posterior análisis de las causas raíz.

¿Cómo se pueden aprovechar los datos de imagen extraídos para realizar análisis avanzados de procesos?

La integración de los resultados de la visión artificial en los sistemas de datos de procesos permite establecer una correlación directa entre los eventos visuales y el estado de las máquinas. ibaPDA captura en tiempo real las métricas extraídas, como el recuento de objetos o su estado. A continuación, estos datos pueden analizarse en detalle mediante ibaAnalyzer. De este modo, es posible identificar correlaciones y determinar el potencial de optimización.

¿Cómo se pueden entrenar y escalar de manera eficiente los modelos de IA para aplicaciones industriales?

Un proceso de entrenamiento estructurado comienza con el etiquetado de datos de imágenes del mundo real y se mejora mediante un aumento de datos específico para reflejar la variabilidad de la producción. Modelos como YOLOv8 pueden mejorarse de forma iterativa mediante la integración continua de nuevos datos en el proceso de entrenamiento. Con ibaVision, los modelos entrenados pueden implementarse en sistemas existentes sin necesidad de hardware especializado. Esto permite una implementación escalable en múltiples plantas con un esfuerzo mínimo en materia de infraestructura.

Detección de flejes de Coil mediante IA con ibaVision

Success Stories

En la producción de bobinas de aluminio, un flejado adecuado es esencial para garantizar la seguridad de la manipulación y el transporte. Los flejes que faltan o están mal sujetos suponen un riesgo importante para la seguridad, especialmente en líneas de acabado de alto rendimiento en las que las comprobaciones manuales son propensas a errores humanos.

Solución Beneficios Conclusión Funciones usadas Más Success Stories

El objetivo del proyecto era detectar automáticamente tanto el número de bobinas como el de flejes utilizando la infraestructura de cámaras existente, al tiempo que se garantizaba una integración perfecta en el entorno de datos de proceso de la planta. La solución no pretendía ser un sistema certificado de seguridad, sino una herramienta para mejorar la fiabilidad del proceso y proporcionar a los operarios información valiosa en tiempo real. Sin embargo, la detección de flejes de bobinas en condiciones reales presentaba múltiples dificultades: las bobinas difieren en tamaño, las superficies pueden ser brillantes o mates, y los reflejos y las condiciones de iluminación variables hacían que el procesamiento de imágenes tradicional no fuera fiable. La perspectiva fija de la cámara limitaba aún más las opciones para optimizar la captura de imágenes.

Aplicación con ibaVision

Un enfoque de aprendizaje profundo con YOLOv8, un marco de detección de objetos rápido y ligero, ofreció la flexibilidad necesaria para manejar las variaciones visuales y mejorar la precisión de la detección con el tiempo simplemente añadiendo más imágenes de entrenamiento. A diferencia de los métodos estáticos basados en filtros, los modelos de IA pueden reentrenarse y optimizarse continuamente con un esfuerzo mínimo. Se anotó manualmente un conjunto inicial de imágenes de bobinas y correas con recuadros delimitadores. Para tener en cuenta la variabilidad del mundo real, se aumentó el conjunto de datos alterando el brillo, el contraste y la nitidez y simulando el desenfoque y el ruido. Se entrenaron tres modelos YOLOv8 distintos en fases sucesivas. A continuación, el modelo entrenado se integró en ibaVision mediante una interfaz basada en Python. La solución se ejecuta en la máquina virtual del cliente sin necesidad de hardware de GPU. Para cada bobina detectada, ibaVision registra tanto la imagen original de la cámara como el resultado de la detección procesada en ibaCapture, mientras que el número de bobinas y correas se registra en ibaPDA para el posterior análisis del proceso.

System diagram showing synchronized data flow between ibaPDA, ibaCapture, and ibaVision YOLOv8.

Beneficios

Detección fiable en condiciones reales difíciles, incluso con reflejos y variaciones de iluminación
Perfecta integración en el entorno iba, lo que permite un análisis contextualizado del proceso
Fácil reentrenamiento y redistribución, lo que hace que la solución sea adaptable a futuras líneas o proyectos adicionales

Conclusión

Al combinar la detección basada en IA de YOLOv8 con las potentes funciones de visualización y registro de ibaVision, el proyecto demostró con éxito cómo la visión artificial moderna puede aumentar la transparencia y fiabilidad de los procesos sin necesidad de una infraestructura compleja ni de conocimientos avanzados de IA por parte del usuario.

Con la combinación de ibaVision, ibaCapture e ibaPDA, creamos una solución práctica basada en IA que encaja perfectamente en el entorno existente del cliente. El modelo de detección, que se ejecuta dentro de ibaVision, nos permite contar bobinas y flejes de forma fiable, mientras que ibaPDA registra los resultados e ibaCapture almacena las imágenes correspondientes.

Artuur Krekels
Ingeniero de aplicaciones y consultoría, iba Benelux

Funciones usadas

En esta aplicación se utilizan las siguientes funciones del sistema iba.

Más Success Stories

Lea más historias de éxito inspiradoras de nuestros clientes satisfechos.

Preguntas frecuentes (FAQ)

¿Cómo se puede implementar de forma fiable la detección de objetos en los sistemas de visión artificial industrial en condiciones de iluminación adversas?: El procesamiento de imágenes convencional basado en reglas alcanza rápidamente sus límites cuando se trata de reflejos, propiedades de superficie variables y condiciones de iluminación cambiantes. El uso de modelos de aprendizaje profundo, como YOLOv8, permite una detección de objetos robusta gracias al entrenamiento con conjuntos de datos aumentados de forma realista. Con ibaVision, estos modelos pueden integrarse en los sistemas de cámaras existentes y reentrenarse continuamente. Esto garantiza un rendimiento de detección estable incluso en condiciones de producción variables.
¿Cómo se pueden integrar los sistemas de visión artificial basados en IA en los entornos de producción existentes?: Una integración eficaz requiere una conectividad fluida con los entornos de datos y sistemas existentes sin aumentar la complejidad del hardware. ibaVision permite la integración de modelos de IA a través de interfaces estandarizadas, por ejemplo, basadas en Python. Los objetos detectados y los resultados pueden transferirse directamente a ibaPDA y vincularse con los datos de proceso. De este modo se crea una base de datos coherente para su posterior análisis.
¿Cómo se puede garantizar la trazabilidad de principio a fin de las características de calidad visual en la producción?: Para garantizar una trazabilidad completa, es necesario almacenar tanto las imágenes originales como los resultados de los análisis derivados. Con ibaCapture, los datos de imagen y los resultados de la detección de objetos pueden archivarse con sincronización temporal. En combinación con los datos de proceso de ibaPDA, esto crea un contexto completo para cada evento detectado. Esto permite una trazabilidad detallada y el posterior análisis de las causas raíz.
¿Cómo se pueden aprovechar los datos de imagen extraídos para realizar análisis avanzados de procesos?: La integración de los resultados de la visión artificial en los sistemas de datos de procesos permite establecer una correlación directa entre los eventos visuales y el estado de las máquinas. ibaPDA captura en tiempo real las métricas extraídas, como el recuento de objetos o su estado. A continuación, estos datos pueden analizarse en detalle mediante ibaAnalyzer. De este modo, es posible identificar correlaciones y determinar el potencial de optimización.
¿Cómo se pueden entrenar y escalar de manera eficiente los modelos de IA para aplicaciones industriales?: Un proceso de entrenamiento estructurado comienza con el etiquetado de datos de imágenes del mundo real y se mejora mediante un aumento de datos específico para reflejar la variabilidad de la producción. Modelos como YOLOv8 pueden mejorarse de forma iterativa mediante la integración continua de nuevos datos en el proceso de entrenamiento. Con ibaVision, los modelos entrenados pueden implementarse en sistemas existentes sin necesidad de hardware especializado. Esto permite una implementación escalable en múltiples plantas con un esfuerzo mínimo en materia de infraestructura.