Inteligencia artificial y aprendizaje automático: la revolución del control de calidad, las inspecciones y la detección de fraudes

Fundamentos del reconocimiento de imágenes para el aprendizaje automático

Los algoritmos de aprendizaje automático (ML) utilizan cantidades masivas de datos de un dominio específico para optimizar los procesos y obtener resultados más eficientes. Los sistemas de ML funcionan gracias a su propio entrenamiento para reconocer patrones y correlaciones que conectan puntos de datos. Para ello se necesitan algoritmos potentes, grandes conjuntos de datos con información importante, un dominio limitado y un objetivo concreto.

A los ojos de algunas de las principales empresas e investigadores de ML, el aprendizaje profundo es una tecnología de vanguardia que puede aplicarse para revolucionar cientos de industrias. Gran parte del trabajo abstracto ya está hecho, y ahora es el momento de utilizar el ML y convertirlo en modelos de negocio sostenibles.

Para el reconocimiento de imágenes, es fundamental identificar de forma correcta todas las imágenes para distinguir las que son significativas para el conjunto de datos. Cuantos más ejemplos de las imágenes correctas se expongan a un sistema basado en el ML, con más precisión podrá captar patrones e identificar diferencias en el campo.

Algoritmos de ML para detectar defectos en placas de circuitos

Aunque la inspección visual automatizada de las placas de circuito impreso ha avanzado bastante en los últimos años, varios estudios muestran que el aprendizaje profundo supera a los algoritmos tradicionales de clasificación y extracción de características basados en máquinas.^[1]

En la mayoría de las instalaciones de fabricación de PCB, los defectos se detectan al principio por medio de una máquina de inspección automática (AOI). A continuación, un ingeniero de inspección de calidad verifica cada placa de circuito impreso marcada.

Desafortunadamente, la máquina AOI puede clasificar por error muchas placas como defectuosas debido a un arañazo, un pequeño agujero o la presencia de nanopartículas como polvo, fragmentos de papel o pequeñas burbujas de aire. Por otra parte, los ingenieros especializados siguen cometiendo errores durante la inspección. Por lo tanto, es imperativo que se utilicen sistemas de ML con un entrenamiento adecuado para mejorar la precisión de los procedimientos de control de calidad.

El año pasado, investigadores de la Universidad de Yuan Ze, Taiwán, publicaron un estudio en el que lograron una precisión de detección de defectos del 98,79 % en las placas de circuito impreso mediante el uso de redes neuronales convolucionales del tipo “solo mirar una vez” (YOLO).^[2]

En comparación con otros clasificadores simples, YOLO se utiliza mucho en la práctica. Se trata de un sencillo modelo de detección de objetos unificado y puede entrenarse de forma directa a partir de imágenes completas. El YOLO rápido es el detector de objetos de uso general más veloz. YOLOv2 ofrece la mejor relación entre velocidad y precisión en tiempo real para la detección de objetos, en comparación con otros sistemas de detección, en varios conjuntos de datos de detección.

Según su estudio, el equipo utilizó 11 000 imágenes, una red de 24 capas convolucionales y dos capas conectadas por completo. Para entrenar el algoritmo Tiny YOLOv2, los investigadores utilizaron el marco de trabajo Keras^[3] ejecutado en una GPU TITAN V de Nvidia.

Detección de fraudes, productos falsificados y rendimiento de los componentes

En 2019, la Organización para la Cooperación y el Desarrollo Económicos informó que las mercancías falsificadas y pirateadas representaban el 3,3 % del volumen del comercio mundial. Este porcentaje aumenta cada año. El país más afectado por la falsificación es Estados Unidos, cuyas marcas o patentes estaban relacionadas con el 24 % de los productos falsos incautados.^[4]

La electrónica es uno de los sectores más afectados por los productos falsificados. Cuando el precio de los componentes esenciales aumenta y hay interrupciones en la cadena de suministro, muchas falsificaciones ingresan al mercado para llenar el vacío. Para complicar las cosas, la mayoría de los componentes falsificados son casi imposibles de distinguir de las piezas originales.

La detección de falsificaciones en productos acabados, sobre todo en artículos de consumo, puede realizarse mediante una inspección visual. Sin embargo, habría que tener un ojo bien entrenado y conocimientos para distinguir entre un producto falso y uno auténtico.

La ventaja del reconocimiento de imágenes en este sentido es enorme. Los algoritmos del ML pueden analizar millones de imágenes y detectar hasta las más pequeñas inconsistencias y anomalías de forma, color, textura y tamaño.

Cuando se trata de componentes electrónicos, resulta más difícil utilizar solo la inspección visual. El mercado está plagado de unidades falsificadas y stock obsoleto. El uso de piezas falsificadas o de segunda mano podría ocasionar daños al equipo y a la propiedad, la retirada de productos y posibles responsabilidades.

Además del reconocimiento de imágenes, son necesarios otros métodos y algoritmos del ML para mejorar la precisión en la detección de piezas falsificadas o modificadas. En los últimos años, la tecnología de cadena de bloques se ha convertido con rapidez en una de las soluciones clave para proteger la autenticidad de los productos y componentes y asegurar la cadena de suministro.

Por ejemplo, IBM está mezclando la cadena de bloques con imágenes e inteligencia artificial para verificar la autenticidad de los productos. Su Verificador de anclaje criptográfico^[5] utiliza ML, redes neuronales y análisis de videos para evaluar las propiedades de los líquidos e identificar el color, la saturación, la viscosidad y otras propiedades químicas, todo ello para determinar de mejor forma si un producto es falso o auténtico. Además, puede entrenarse para reconocer patrones eléctricos en componentes electrónicos para distinguir las piezas nuevas de generaciones anteriores del mismo SKU.

El papel de la IA y el ML en la cadena de suministro recién comenzó

Recientemente, las interrupciones de la cadena de suministro mundial a causa de la pandemia han obligado a muchos proveedores y fabricantes a buscar productos y componentes en otros lugares. El uso de las tecnologías más recientes y del ML de la información puede ayudar a evitar las piezas falsificadas y a realizar un control de calidad más rápido, más eficiente y más preciso.

Dado que el reconocimiento de imágenes y la precisión del ML mejoran de manera constante y son cada vez más rápidos, muchas industrias están empezando a utilizarlos para el control de calidad y la detección de falsificaciones.

Se espera que más industrias trasladen sus operaciones a la nube, lo que aumentará la disponibilidad de los datos de entrenamiento. A medida que las capacidades de la IA y el ML aumentan exponencialmente, existe la posibilidad de que estas soluciones pronto ayuden a las industrias mencionadas con anterioridad a mejorar la calidad y el rendimiento de sus productos.