Merlic 5: análisis de imágenes industriales basado en Deep Learning

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 anomalías para crear un modelo.

La Visión Artificial es una de las áreas donde el Deep Learning proporciona una mejora considerable en comparación 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.

Con el Deep Learning, un modelo informático 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 ocasiones, supera el rendimiento humano. Los modelos se entrenan mediante un amplio conjunto de datos etiquetados y arquitecturas de redes neuronales que contienen muchas 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 convoluciona 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 características 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 relevantes directamente desde las imágenes.

Dichas características no han sido entrenadas antes, ya que se aprenden mientras la red se entrena con una recopilación de imágenes. Esta extracción de características automatizada hace que los modelos de Deep Learning sean muy precisos para tareas de visión artificial, tales como la clasificación de objetos.

La detección de anomalías es un subcampo del aprendizaje no supervisado cuyo objetivo es identificar patrones inusuales en los datos evaluados que se salen de la norma establecida. En última instancia, el objetivo final es desarrollar sistemas que sean capaces de aprender cuál es el comportamiento «normal» de un determinado conjunto de datos.

Los sistemas de visión artificial convencionales basados en Deep Learning se entrenan y aprenden a través del ejemplo mediante el uso de imágenes ‘buenas’ y ‘malas’. Normalmente se necesitan grandes cantidades de datos para el entrenamiento, lo que conlleva dedicar bastante tiempo a esta labor, especialmente en aquellas aplicaciones donde hay pocas o ninguna imagen ‘mala’ disponible.

Merlic es un software de visión artificial de alta calidad que ofrece todas las ventajas del Deep Learning y la Visión Artificial sin tener conocimientos en programación. La nueva versión de Merlic 5 incluye la función de detección anomalías basada en Deep Learning y solo necesita una pequeña cantidad de imágenes ‘buenas’ para su entrenamiento, lo que significa que los usuarios pueden realizar muchas iteraciones para ajustar sus aplicaciones en un corto período de tiempo.

La segunda función de Deep Learning integrada en Merlic 5 es la herramienta de clasificación de imágenes, que se puede utilizar para asignar imágenes a clases entrenadas según los algoritmos de Deep Learning. La tecnología es idónea para clasificar defectos u objetos con formas y apariencia muy variables, como es el caso de los productos de origen natural.

Los modelos se pueden entrenar, por ejemplo, con la herramienta Deep Learning Tool y luego se pueden importar a Merlic 5. Además, Merlic 5 también ofrece un nuevo modelo de licencia con mayor flexibilidad que permite al usuario elegir el pack y el precio que se ajuste mejor a su aplicación. Dependiendo del número requerido de fuentes de imágenes y características (‘add-ons’) para la aplicación, se ofrecen los paquetes Small, Medium, Large y X-Large, así como una versión de prueba gratuita. Este nuevo concepto de ‘pack’ reemplaza el modelo de ‘ediciones’ anterior.