Visión artificial e inteligencia artificial: El INAUT desarrolla un método ultraveloz para optimizar el control de calidad en la producción industrial continua

En el marco de la cuarta revolución industrial, los sistemas de producción en masa y de flujo continuo exigen mecanismos de monitoreo cada vez más sofisticados, capaces de realizar inspecciones detalladas y diagnosticar anomalías en los productos finales de manera inmediata. Cuando los flujos operativos funcionan a velocidades sumamente elevadas, confiar la supervisión al ojo humano resulta ineficiente, costoso e incluso inviable para resguardar la seguridad. Frente a este panorama, las líneas de investigación enfocadas en la inteligencia artificial, el modelado y control de procesos, y los sensores y procesamiento de señales cobran un rol protagónico para automatizar las decisiones de aceptación o rechazo de productos defectuosos dentro de las plantas fabriles.

Con el propósito de superar las limitaciones actuales del procesamiento visual en entornos de alta velocidad, el equipo de investigación del Instituto de Automática (INAUT) —institución de doble dependencia entre el Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) y la Universidad Nacional de San Juan (UNSJ)— desarrolló una metodología innovadora orientada a la detección temprana de fallas en sistemas continuos. Este tipo de procesos, característicos de sectores sensibles como el farmacéutico o el de empaque, operan de forma ininterrumpida y demandan respuestas en tiempo real que no generen retrasos ni cuellos de botella en la cadena logística. Cualquier demora en el diagnóstico de una anomalía puede provocar la propagación de fallas, interrupciones en la línea de montaje e importantes pérdidas económicas. El nuevo desarrollo del INAUT busca precisamente mitigar estos riesgos mediante una arquitectura de inspección automatizada sumamente equilibrada entre precisión y velocidad de respuesta.

Innovación metodológica: Combinando histogramas y reducción de dimensionalidad

La principal fortaleza científica de la propuesta radica en la integración inteligente de herramientas consolidadas del procesamiento de datos, evitando recurrir a arquitecturas complejas que demandan un costo computacional y de memoria excesivo. El método comienza capturando imágenes digitales de los productos en la línea de producción. A partir de allí, el sistema extrae de forma automatizada los histogramas de intensidad de los tres canales de color (RGB) de cada imagen. Los investigadores identificaron un aspecto clave para optimizar el algoritmo: la parte inferior del histograma correspondía exclusivamente a los píles del fondo negro sobre el cual se examinaban los objetos, por lo que carecía de valor informativo. Al descartar ese sector y concentrarse únicamente en la sección superior del espectro de color (los primeros 157 puntos de datos por canal), redujeron drásticamente el volumen de datos redundantes sin perder rigurosidad analítica.

Una vez concatenados estos vectores en una representación combinada de 471 elementos, se aplica la técnica de Análisis de Componentes Principales (PCA) para disminuir aún más la dimensionalidad de la información. El estudio demostró que al proyectar los datos de alta dimensión de los histogramas en un espacio de pocas dimensiones, la variabilidad del conjunto original se mantiene casi intacta. Por ejemplo, utilizando únicamente las dos dimensiones correspondientes a los componentes principales más representativos, se logra conservar el 88,76% de la variabilidad de los datos, permitiendo representar matemáticamente cada imagen compleja como un simple punto en un plano bidimensional. Posteriormente, para efectuar la clasificación final entre productos correctos y defectuosos, se entrena una Máquina de Vectores de Soporte (SVM) lineal, que actúa como un clasificador geométrico simple y eficiente que requiere un volumen de datos de entrenamiento sumamente acotado comparado con otros modelos tradicionales de aprendizaje automático.

Resultados experimentales y validación en la industria farmacéutica

Para comprobar la viabilidad operativa del sistema, el método fue evaluado rigurosamente utilizando un banco de imágenes destinado al control de calidad de blísteres de píldoras en procesos industriales. El set experimental consistió originalmente en registros de un blíster azul con diez píldoras circulares de color rosa claro, capturados a una distancia fija de 20 centímetros mediante un ángulo cenital y bajo condiciones de iluminación controladas. Debido al número inicial de muestras y para elevar la robustez del modelo frente a perturbaciones reales de una fábrica, el equipo de científicos implementó un riguroso proceso de aumento de datos ("data augmentation") multiplicando por seis el corpus visual hasta alcanzar las 468 imágenes totales. Este procedimiento incluyó transformaciones geométricas como rotaciones verticales y horizontales, la simulación de variaciones lumínicas mediante máscaras de gradiente de intensidad y la inyección intencional de ruido gaussiano y de tipo "sal y pimienta".

El modelo clasificador final fue entrenado bajo un esquema binario, agrupando las imágenes en dos categorías bien definidas: "normal" para los blísteres completos y "defectuoso" para aquellos a los que les faltaba una o dos píldoras. Mediante una validación cruzada de cinco iteraciones ("5-fold cross-validation"), donde el 80% de los datos se destinaron al entrenamiento y el 20% restante a la validación, la configuración que utilizó 50 componentes principales aplicados a la parte superior del histograma alcanzó una exactitud sobresaliente del 97,22%. En las pruebas comparativas con otros clasificadores de vanguardia de la literatura científica, como HOG combinada con SVM (82,22% de precisión) o PCA combinado con el algoritmo de vecinos más cercanos KNN (62,50%), el método propuesto por el INAUT demostró una superioridad notable tanto en precisión como en tiempos de ejecución, requiriendo apenas 120,6 milisegundos para el entrenamiento y unos asombrosos 0,721 milisegundos para clasificar cada producto en tiempo real.

Este trascendental avance científico reafirma el prestigio del INAUT en la vanguardia de la ingeniería y fue posible gracias a una estrecha cooperación internacional. El trabajo de investigación fue desarrollado de manera conjunta por los científicos Rodrigo Gimenez-Valenzuela, Flavio Capraro y Daniel Patiño del INAUT (CONICET-UNSJ), en colaboración con Julio Montesdeoca de la Universidad Politécnica Salesiana de Ecuador y Brayan Saldarriaga-Mesa, investigador vinculado tanto al instituto sanjuanino como a la Universidad de los Llanos de Colombia. La simplicidad del diseño metodológico abre las puertas a su implementación directa en dispositivos de procesamiento local en los extremos de la línea de producción ("edge computing"), consolidando la vinculación entre la ciencia básica y el sector productivo global.