La inspección visual es el proceso de examinar piezas fabricadas, conjuntos o entornos para identificar defectos, verificar dimensiones y garantizar la conformidad con estándares de calidad comunes en sectores como fabricación, automoción, construcción y aeroespacio.

Los sistemas de inspección visual automatizada utilizan cámaras de alta resolución y software como MATLAB, Visual Inspection Toolbox e Image Acquisition Toolbox, que admiten tanto algoritmos de Deep Learning como algoritmos tradicionales de visión artificial, para detectar de forma eficiente defectos a escala micrométrica o nanométrica que resultan difíciles de percibir a simple vista.

MATLAB admite los métodos estudiante-docente, PatchCore, FastFlow y FCDD (descripción de datos totalmente convolucional) mediante Visual Inspection Toolbox, cada uno con características diferentes en cuanto a velocidad de entrenamiento, tamaño del modelo y gestión del tamaño de las imágenes.

Sí, MATLAB admite métodos de detección de anomalías no supervisada cuando las imágenes anormales son escasas o diversas, y métodos de detección de objetos supervisados, como YOLOX, cuando existen suficientes imágenes anormales para entrenamiento.

El proceso de detección de defectos consta de tres etapas principales: preparación de datos (como preprocesamiento y etiquetado de imágenes), aplicación de algoritmos clásicos (medición y coincidencia de formas) o modelado con IA (entrenamiento de detectores de anomalías o modelos de detección de objetos), y despliegue en hardware embebido o aplicaciones independientes.

MATLAB ofrece funciones para eliminación de ruido, suavizado con conservación de bordes, conversión de espacios de color, mejora de contraste y morfología. También incluye la app Registration Estimator para alinear imágenes desalineadas y la app Image and Video Labeler para automatizar el proceso de etiquetado con algoritmos personalizados de segmentación semántica o detección de objetos.

Sí, MATLAB permite desplegar redes de Deep Learning y algoritmos clásicos en diversas plataformas de hardware embebido, como GPU de NVIDIA, CPU de Intel y ARM, y SoC y FPGA de Xilinx e Intel, empleando marcos de generación de código. MATLAB también permite exportar modelos de IA al formato ONNX, para su integración con marcos externos.

Plansee utiliza MATLAB para desarrollar un sistema de detección visual de anomalías basado en IA que identifica automáticamente soportes de horno dañados antes de que entren en hornos de alta temperatura. Esto ayuda a reducir el tiempo de inactividad, evitar daños en los hornos y mejorar la fiabilidad de la producción. Musashi Seimitsu Industry utiliza MATLAB para inspeccionar aproximadamente 1,3 millones de piezas de engranajes cónicos para automoción al mes, y Airbus desarrolló un modelo de IA para detectar automáticamente defectos en múltiples componentes de aeronaves antes de que entren en servicio.