44 VISIÓN ARTIFICIAL de transformar radicalmente los procesos de fabricación en la industria automotriz, elevando los estándares de calidad y eficiencia a niveles sin precedentes y consolidando la industria automotriz en la vanguardia de la innovación tecnológica. Sin embargo, la implementación de la tecnología hiperespectral se enfrenta a varios desafíos. La velocidad de captura de las cámaras es relativamente baja comparada con las cámaras convencionales, lo que puede comprometer la eficiencia de los procesos de producción que demandan rápidas inspecciones. Además, el procesamiento de los datos hiperespectrales requiere de una programación avanzada y conlleva una alta carga computacional, desafíos que podrían mitigarse con el desarrollo de algoritmos más eficientes y la aplicación de tecnologías emergentes como el aprendizaje automático y la computación en la nube. Otro obstáculo significativo es la complejidad de la integración de estas cámaras en entornos industriales, que demanda hardware específico y calibraciones precisas. La adaptabilidad y la automatización en los sistemas de calibración son esenciales para simplificar la implementación de cámaras hiperespectrales en las líneas de producción, mejorando la eficiencia y aprovechando al máximo las capacidades de esta tecnología en la industria automotriz. CASO DE ÉXITO: UNA MEJORA EN EL TIEMPO DE COMPUTACIÓN DEL 300% Proyectos innovadores, como los liderados por CT, están avanzando en el uso de la visión hiperespectral. Estas iniciativas buscan no solo aumentar la velocidad de captura de datos sino también mejorar la precisión y la calidad del análisis, asegurando que los vehículos cumplen con los más altos estándares de calidad. El proyecto se ha centrado en optimizar el procesamiento de datos de cámaras hiperespectrales para mejorar la captura de imágenes con potencial de aplicación en la industria automotriz. El objetivo principal fue la optimización de la captura de imágenes hiperespectrales, la generación de datos espectrales para modelos de decisión, y la validación de datos y algoritmos de aprendizaje automático en un prototipo de laboratorio. Para tal finalidad se decidió, por facilidad de acceso al producto de ensayo, entrenar las herramientas de visión hiperespectral avanzadas evaluando la calidad de frutas y vegetales, trabajando en la identificación de aspectos como el contenido de azúcar y la detección de golpes mediante la creación de bibliotecas hiperespectrales específicas. Los resultados han sido significativos: se ha generado la capacidad de definir bases quimiométricas de elementos de ensayo y su posterior análisis, se han desarrollado algoritmos de aprendizaje automático para detección de golpes y defectos superficiales, y se ha construido una interfaz gráfica para visualizar e interactuar con los resultados. Adicionalmente, se ha conseguido una mejora en el tiempo de computación del 300% utilizando un modelo de Análisis de Componentes Principales (PCA) que redujo la información de las imágenes de 224 bandas espectrales a un vector tridimensional sin perder precisión. PERSPECTIVAS FUTURAS Como se ha comentado anteriormente, las cámaras de visión artificial están estableciendo un nuevo estándar en la fabricación de vehículos. Las cámaras hiperespectrales, en particular, ofrecen una visión detallada y profunda de los materiales y procesos, superando las limitaciones de las tecnologías convencionales. La integración exitosa de estas cámaras en las líneas de producción no solo mejora los estándares de calidad y seguridad, sino que también promueve la eficiencia operativa. Por ello, siendo fieles a la misión de CT, que no es otra que la aplicación de las más novedosas herramientas digitales para la mejora de la eficiencia y eficacia de nuestros clientes, el siguiente objetivo en esta área de investigación será la aplicación de los resultados obtenidos en un entorno industrial de producción en masa, centrándose específicamente en la detección de defectos superficiales en el sector automotriz. n Modelo de clasificación para las imágenes hiperespectrales de manzanas con golpes. A la izquierda de la pantalla se encuentran las imágenes de entrenamiento y a la derecha las imágenes a analizar.
RkJQdWJsaXNoZXIy Njg1MjYx