El proyecto se centra en mejorar y automatizar el proceso de inspección de calidad de piezas de cuero para la industria automotriz. En el proceso de fabricación de partes de cuero para automóviles de alta gama, la exigencia de calidad del cliente frente a defectos naturales del material, o defectos de fabricación es muy alta.
Previamente, las piezas eran inspeccionadas manualmente en busca de defectos de dimensión contra un plano, posicionando las piezas sobre una referencia y luego visualmente en busca de defectos de textura. Este tipo de trabajo repetitivo, donde la tasa de defectos es baja frente al gran volumen de producción, hace que sea muy difícil mantener un nivel de análisis de calidad constante a lo largo de la jornada de trabajo, viéndose muy influenciado por el estado del operario en el momento de la inspección. A su vez, la transmisión de los criterios de detección entre operarios más experimentados y operarios nuevos resulta un cuello de botella en el proceso.
La cabina de inspección desarrollada por Pensur combina la adquisición de imágenes de alta resolución con múltiples iluminaciones, con redes de aprendizaje profundo desarrolladas y entrenadas para esta aplicación.
Al inicio del día, mediante la interfaz de usuario, se definen las recetas de producción con todos los modelos a inspeccionar, la cual el sistema utiliza para cargar los planos de las piezas y mantener un conteo de la producción. Al comenzar una inspección, se coloca la pieza en la cabina y el sistema toma fotografías de ambos lados de la pieza con múltiples iluminaciones diseñadas para resaltar los defectos de fabricación.
Primero se realiza un control dimensional de las piezas, detectando automáticamente a qué plano corresponde, e inspeccionando si sus dimensiones están en las tolerancias aceptadas por el cliente. Luego, los algoritmos de inteligencia artificial analizan la textura del material en búsqueda de defectos naturales y generados por el proceso. El producto se encuentra ya teñido y grabado, por lo que para el ojo no entrenado resulta muy difícil distinguir los defectos de las características del material. Las redes de aprendizaje profundo logran una comprensión del defecto en su contexto gracias al aprendizaje, como si de una persona experimentada se tratase.
Unos segundos después de posicionar la pieza e iniciar el análisis, el operario tiene en una pantalla el resultado del análisis, con los defectos señalados, para que mediante los criterios de negocio de la planta decida si la pieza es apta para ser entregada.
La cabina de inspección genera mejoras en tres áreas claves del proceso:
Casos de éxitos / Aplicaciones especiales / AI
¿Interesado en trabajar juntos?
Contáctenos.
