El Deep Learning es una rama de la Inteligencia Artificial que se ha convertido en una tecnología clave en múltiples sectores, tanto industriales como no industriales. Especialmente en el sector automoción, Visión artificial y Deep Learning son dos conceptos que no resultan ajenos, ya que destaca por estar a la vanguardia en tecnología. Esto hace que sea posible el desarrollo de sistemas avanzados como la asistencia al conductor, vehículos autónomos y la eficiencia de la fabricación en sí misma.

Si quieres conocer más aplicaciones de visión artificial en la industria de la automoción, clica aquí.

Aplicaciones de visión artificial y Deep Learning

 

La combinación de sistemas de visión y algoritmos capaces de aprender procesos sin la necesidad de la intervención de humanos hace que cualquier proceso de fabricación sea mucho más eficiente. No solo en cuanto a niveles de producción y seguridad, que cumplen un rol clave, sino también en la predicción de errores. Según expertos, gracias al aprendizaje automático, se ha logrado mejorar un 91% en la anticipación y prevención de fallos en los procesos productivos. Esto representa un gran ahorro de costes y la disminución de rechazos.

Si bien hay muchas aplicaciones que utilizan visión artificial y Deep Learning, aquí explicaremos tres de las más relevantes.

Picking de piezas


El picking de piezas en la fabricación de vehículos es un proceso crítico que puede ser optimizado, resolviendo tareas sencillas de pick and place o bien mediante el uso de tecnologías avanzadas, como la visión artificial y el Deep Learning. La robótica guiada por visión artificial
es la base de la automatización industrial, por la flexibilidad y versatilidad de sus aplicaciones. Mediante cámaras de visión artificial, se realiza un análisis de imagen 3D que permite reconocer y determinar la posición de objetos de muy variada índole, como piezas metálicas u otro tipo de elementos de diferentes materiales o geometrías, amontonadas en un contenedor o en una cinta, por ejemplo.

En este artículo, te contamos cómo se implementa visión 3D para la manipulación robótica de piezas de automóvil con InPicker, una solución universal de Pick & Place. El software InPicker permite la coincidencia de formas primitivas (cilindro, esfera, etc.) sin modelo CAD, así como la aplicación de filtros de preprocesado mediante algoritmos de ubicación de objetos basados ​​en Deep Learning.

Otro ejemplo interesante en el sector automoción, es la aplicación de Picking 3D embarcado sobre AMR en el cual, mediante un único sistema de visión 3D, resuelve de forma eficiente la necesidad de plantas que trabajan con más de una línea de producción de forma simultánea y requieren una solución de picking que pueda abastecerlas.

Vehículos autónomos

 

Al hablar de tendencias en el sector automoción, sin dudas la electrificación de vehículos y los coches autónomos son dos de las nociones que aparecen primero. La posibilidad de que un vehículo sea completamente autónomo, es decir, que no requiera la intervención de una persona, es gracias a la incorporación de visión artificial y Deep Learning.

Al utilizar sistemas de visión se capturan imágenes que permitirán a los algoritmos detectar, automáticamente, los obstáculos en su entorno y tomar decisiones en consecuencia. Un ejemplo de este avance es ecoRD, el primer monoplaza de competición de España, desarrollado por EcoRacing. STEMMER IMAGING colabora en este proyecto, proveyendo cámaras de visión artificial y el software de visión HALCON, que contribuyen al funcionamiento de este vehículo. Si te interesa saber más sobre esto, te sugerimos leer nuestro caso de éxito.

Los vehículos autónomos representan el nivel más alto de autonomía y, si bien aún no forman parte de nuestra cotidianeidad, sus funciones se utilizan para otras aplicaciones como la asistencia al conductor. Estos sistemas intervienen en la identificación de obstáculos en el camino, como peatones y otros vehículos, ayudando a prevenir riesgos y accidentes, además de ayudar al conductor a mantenerse alerta.

Reconocimiento óptico de caracteres

 El reconocimiento óptico de caracteres (OCR) es una técnica que permite la identificación de caracteres de un texto impreso o grabado. Esta aplicación es clave en la industria automotriz y, gracias a la visión artificial y el Deep Learning, se ha perfeccionado en cuanto a precisión y eficiencia. 

La tecnología OCR tradicional utiliza algoritmos de procesamiento de imágenes para detectar y clasificar caracteres. Sin embargo, esta técnica no siempre es efectiva en la identificación de caracteres en diferentes fuentes o tamaños, lo que puede conducir a errores de lectura. Con la llegada de redes neuronales profundas, es posible entrenar modelos de OCR para conseguir leer códigos incluso en condiciones adversas. Gracias a esta tecnología, es posible identificar con gran fiabilidad aquellos caracteres más borrosos, complejos, desenfocados o sesgados. 

Además, la visión artificial también puede utilizarse para mejorar la calidad de las imágenes y aumentar la precisión del OCR con cámaras de alta resolución. La eliminación de ruido y la corrección de la perspectiva pueden mejorar la legibilidad de los caracteres, lo que se traduce en una mayor precisión en la lectura.

Mediante un entrenamiento exhaustivo con un alto volumen de imágenes, las redes neuronales aprenden a reconocer de forma fiable los caracteres en estas condiciones diversas, incluso cuando hay luz especular, reflejos y colores de pintura.

OCR y tipos de fuentes

En el sector automoción, por ejemplo, muchas de las partes o piezas metálicas de los vehículos se identifican con códigos alfanuméricos que se escanean e identifican para asegurar su trazabilidad.

Si quieres saber por qué el Deep Learning lleva la lectura OCR a otro nivel, te sugerimos leer este artículo.