La elección correcta depende de la información oculta en el defecto. El objetivo no es utilizar la tecnología más avanzada, sino la arquitectura más sencilla que permita tomar una decisión fiable en la línea de producción real.
La visión artificial 2D suele ser la primera opción para determinar la presencia, la orientación, la calidad de impresión, la lectura de códigos, la comprobación de contornos y las dimensiones visibles desde una cámara controlada.
La detección 3D añade información de profundidad. Resulta útil cuando una imagen plana no permite distinguir con precisión la altura, el volumen, el perfil, la deformación o la geometría de la superficie.
El aprendizaje profundo puede ser útil cuando los productos aceptables varían de forma natural o cuando los defectos presentan patrones visuales complejos. Sin embargo, sigue requiriendo datos representativos, una adquisición controlada y una validación cuidadosa.
Comenzamos con el criterio de aceptación y el modo de fallo. Si un umbral, borde, patrón o medición estable permite distinguir las partes buenas de las defectuosas, un sistema de visión basado en reglas puede ser más fácil de validar y mantener. Si la diferencia relevante es geométrica, la detección de profundidad puede eliminar la ambigüedad que ningún procesamiento de imágenes 2D puede resolver. Si el defecto varía en apariencia y no se puede describir de forma consistente, el aprendizaje profundo puede ser la capa de clasificación adecuada.
Los sistemas híbridos son habituales. Una estación puede utilizar visión convencional para las dimensiones, 3D para la geometría y un modelo aprendido para zonas de difícil acceso, almacenando todos los resultados en un único registro de trazabilidad. La arquitectura debe reflejar el riesgo de producción, el tiempo de ciclo, las necesidades de mantenimiento y la evidencia necesaria para aceptar o rechazar una pieza.
English English 
Portuguese
French
Spanish