¿Cómo toman decisiones los sistemas de visión en función de lo que ven?
¿Cómo toman decisiones los sistemas de visión en función de lo que ven?
Hay dos maneras en las que se puede utilizar la visión artificial para tomar decisiones como recuento, clasificación o aprobación y rechazo de artículos. Los sistemas basados en reglas siguen instrucciones paso a paso programadas por el usuario para interpretar imágenes y tomar decisiones. Por el contrario, la inteligencia artificial o los sistemas impulsados con IA utilizan una base de datos de imágenes de referencia para “aprender” cómo tomar decisiones.
Si bien la visión artificial basada en reglas sigue siendo la tecnología predominante, varios tipos de aprendizaje automático impulsado por IA se han vuelto lo suficientemente capaces y flexibles como para asumir el control en muchas aplicaciones.
A menudo, una combinación de aprendizaje automático basado en reglas e impulsado con IA puede proporcionar la solución más eficiente.
Sistemas basados en reglas
La visión artificial tradicional basada en reglas utiliza reglas de probabilidad específicas para tomar decisiones sobre una imagen. “Si la botella se llena al menos hasta este nivel, déjela pasar”. Los ingenieros de visión programan las reglas con un profundo conocimiento de la mejor combinación de técnicas para obtener el resultado deseado.
Las reglas se utilizan para crear programas que abordan trabajos específicos como detectar el borde entre áreas claras y oscuras o medir la distancia entre dos puntos.
Estas reglas pueden utilizarse una tras otra en una imagen, en lo que se denomina “encadenamiento de herramientas” para realizar una amplia variedad de tareas sofisticadas. También son muy buenas en inspecciones de alta velocidad y alta precisión en productos o piezas que son predecibles y consistentes.
Los sistemas basados en reglas utilizan reglas de probabilidad para tomar decisiones sobre una imagen.
Deep Learning
Deep Learning utiliza la IA para potenciar los sistemas de visión artificial usando ejemplos para entrenar el software con imágenes etiquetadas hasta que pueda hacer distinciones por sí solo.
Este entrenamiento imita cómo aprenden los seres humanos, ayudando al sistema a aprender cómo tomar decisiones precisas sin verse afectados por variaciones irrelevantes.
Los operadores capacitan sistemas de Deep Learning con cientos de imágenes etiquetadas, como una variedad de posibles defectos en una pieza fabricada o varios montajes diferentes que deben clasificarse.
Una mejora importante con respecto a los sistemas basados en reglas es que los sistemas de Deep Learning aprenden a distinguir entre una amplia variedad de defectos reales y variaciones meramente estéticas sin necesidad de mostrar todos los resultados posibles, algo que lleva mucho tiempo o incluso es imposible de lograr usando la programación basada en reglas.
A diferencia de los sistemas basados en reglas, los sistemas de Deep Learning no requieren programadores de visión artificial experimentados ni experiencia para configurarlos. Necesitan a alguien con buen conocimiento de los productos que se inspeccionan para proporcionar cientos de imágenes de componentes defectuosos y buenos.
El Deep Learning sobresale en la verificación de montaje, detección de defectos y clasificación de piezas complejas que varían impredeciblemente. También es bueno para proporcionar resultados precisos incluso cuando las piezas son reflejantes o las imágenes están distorsionadas.
Los sistemas de Deep Learning requieren cientos de imágenes de entrenamiento etiquetadas y pueden proporcionar resultados precisos para aplicaciones complejas.
Edge Learning
Edge Learning es otro tipo de IA, optimizado para satisfacer las necesidades de la automatización industrial. Viene preentrenado para resolver los tipos de problemas que generalmente enfrenta la automatización industrial.
Como resultado del preentrenamiento, un sistema de Edge Learning puede ser preenetrenado en un problema de inspección industrial específico con tan solo cinco imágenes, haciendo que su implementación sea aún más fácil y más rápida que un sistema de Deep Learning.
El Edge Learning permite a los ingenieros de línea implementar rápidamente una clasificación optimizada o una función de detección de defectos en su línea sin capacitación especializada. Debido a que no requiere un procesador sofisticado, puede implementarse rápidamente en donde sea necesario.
Las ventajas del Edge Learning radican en su velocidad, baja demanda de recursos computacionales y flexibilidad, así como su facilidad de uso.
El entrenamiento previo permite que los sistemas de aprendizaje en el borde resuelvan problemas con tan solo cinco imágenes de entrenamiento.
Comparación de sistemas basados en reglas e impulsados con IA
La decisión entre los sistemas de Deep Learning y Edge Learning basado en reglas se reduce principalmente al tipo de aplicación que se implemente.
- Las herramientas de visión basadas en reglas son efectivas en distintas tareas especializadas con objetivos muy consistentes como ubicación, medición y orientación.
- Edge Learning se destaca en tareas repetibles con objetivos moderadamente consistentes.
- Deep Learning brilla cuando se buscan defectos complejos o se analizan imágenes con variación significativa.
Usos recomendados para sistemas basados en reglas, Edge Learning y Deep Learning.
¿En qué puedo ayudarte?
Deja una respuesta