C127 - Automatización para la Industria 4.0

60 VISIÓN ARTIFICIAL Merlic 5: análisis de imágenes industriales basado en Deep Learning El aprendizaje es una de las claves de la Inteligencia Artificial avanzada, puesto que necesitamos que las máquinas aprendan por sí solas y aprendan de su propia experiencia. La Inteligencia Artificial es el concepto general a partir del cual se pueden explicar otras técnicas derivadas como, por ejemplo, el Machine Learning, donde hay que guiar a la máquina en cada una de las fases del proceso para que aprenda, a través de la práctica, a identificar lo que queremos de manera automática. Infaimon Dando un paso más hacia delante se encuentra el Deep Learning, que trabaja de manera diferente: en vez de programar a la máquina para que siga unas determinadas reglas y así solucionar un problema, el propio algoritmo de la máquina es el que debe identificar patrones o anoma- lías para crear un modelo. La Visión Artificial es una de las áreas donde el Deep Learning proporciona una mejora considerable en compara- ción con algoritmos más tradicionales. Las aplicaciones reales del Deep Learning en el sector industrial son infinitas, ya que la automatización de los procesos industriales abarca un sinfín de posibilidades. ¿QUÉ ES EL DEEP LEARNING Y CÓMO FUNCIONA? Con el Deep Learning, unmodelo infor- mático aprende a realizar tareas de clasificación directamente a partir de imágenes, texto o sonido. Los modelos de Deep Learning pueden obtener una precisión de vanguardia que, en oca- siones, supera el rendimiento humano. Los modelos se entrenanmediante un amplio conjunto de datos etiquetados y arquitecturas de redes neuronales que contienenmuchas capas y que imitan el funcionamiento del cerebro humano. En el caso de las aplicaciones de visión se usa una variante específica: las redes neuronales convolucionales (CNN). Su manera de operar es que una CNN con- voluciona los aspectos aprendidos con la información de entrada y usa capas convolucionales 2D, lo que provoca que esta dinámica resulte propicia para procesar datos 2D como imágenes. Por su parte, estas CNN suprimen la necesidad de una extracción de carac- terísticas de manera manual, así que se requiere la identificación de los aspectos usados en la clasificación del material 2D. Por lo tanto, la CNN extrae las características más relevan- tes directamente desde las imágenes. Dichas características no han sido entrenadas antes, ya que se apren- den mientras la red se entrena con una recopilación de imágenes. Esta extracción de características auto- matizada hace que los modelos de Detección de anomalías.