Por qué fracasan los proyectos de visión artificial (y las 7 cosas que los hacen funcionar)

La visión artificial lleva más de 50 años con nosotros. Hay millones de sistemas instalados en todo el mundo. La tecnología está más que probada, los componentes son fiables y el software tiene cada vez más capacidad.

Entonces, ¿por qué siguen fracasando algunos proyectos?

Después de 18 años suministrando sistemas de visión artificial y ayudando a ingenieros a especificarlos, montarlos y arreglarlos, vemos que se repiten siempre los mismos patrones. La buena noticia es que la mayoría de fallos se pueden evitar por completo. Se reducen a siete elementos. Las llamamos las 7 piezas del puzle de la visión artificial. Si falta una, la imagen entera se rompe.

1. Conocimiento: la pieza que afecta a todas las demás

Es la causa raíz más habitual de que un proyecto de visión se tuerza, y es transversal a las otras seis. No es una crítica. Todo el mundo tiene un primer proyecto. Pero si un ingeniero especifica un sistema de visión por primera vez, la cantidad de decisiones que tiene que acertar es considerable: tipo de cámara, tamaño de sensor, elección de óptica, geometría de la iluminación, ancho de banda de la interfaz, plataforma de software, montaje, trigger, protección frente al entorno. Fallar en una sola de ellas puede hacer que el sistema rinda por debajo de lo esperado o directamente no funcione.

La dificultad es que la visión artificial está en el cruce entre óptica, electrónica, software e ingeniería mecánica. Muy pocos ingenieros dominan las cuatro a fondo. Alguien que programa PLC de maravilla puede no haber elegido una óptica en su vida. Un responsable de calidad que tiene clarísimos sus requisitos de inspección puede no tener ni idea del ancho de banda de interfaz que necesita.

Aquí es donde trabajar con un proveedor especializado marca una diferencia medible. No porque no puedas hacerlo tú, sino porque la curva de aprendizaje es pronunciada y equivocarse en un sistema de producción supone un gasto. El programa de formación KnowHow de Clearview existe justo por esto, y nuestro equipo de ingeniería puede acompañarte en la especificación a través de ClearviewFormula para que no tomes esas decisiones solo.

2. Empieza por la imagen, no por el software

Es el principio más importante de la visión artificial, y muchas veces no es donde se pone el foco. Si partes de una buena imagen, el trabajo de software se vuelve muchísimo más fácil.

¿Qué es una buena imagen? Es la cámara adecuada, con el sensor adecuado para tu resolución y tu velocidad. Es la óptica adecuada para tu campo de visión y tu distancia de trabajo. Y sobre todo, es la iluminación adecuada. La iluminación es el componente más infravalorado de la visión artificial. Los ingenieros invierten de más en cámaras y de menos en luz. El resultado es una imagen sin información, por lo que ningún software puede arreglarla.

Con buena óptica y buena iluminación puedes optar muchas veces por algoritmos sencillos y fiables: pattern matching, detección de bordes, análisis de blobs o detección básica por umbral. Son herramientas conocidas, rápidas y de resultados consistentes. Cuando la imagen es mala, el ingeniero se ve empujado hacia enfoques cada vez más complejos y frágiles para compensar lo que se tendría que haber resuelto en la parte óptica.

El principio es simple: consigue una buena imagen y todo lo demás se vuelve más fácil. Obtén una mala imagen, y te vas a pelear con el software durante toda la vida del sistema.

3. La IA no siempre es la respuesta

Ahora mismo hay mucha expectación con la IA y el deep learning en visión artificial, y con motivo. Para ciertas aplicaciones, sobre todo la clasificación de defectos en escenas variables o complejas, el deep learning da resultados que los algoritmos clásicos no alcanzan.

Pero la IA no es una solución universal. Los modelos de deep learning necesitan datos de entrenamiento, capacidad de cálculo y mantenimiento continuo a medida que cambian las condiciones de producción. Para muchas tareas de inspección, un sistema clásico bien diseñado, con buena iluminación y algoritmos estándar, gana a un enfoque de IA en velocidad, fiabilidad y coste.

"¿Deberíamos usar IA?" no es la pregunta. La pregunta es: "¿cómo es la imagen cuando la iluminación y la óptica son las adecuadas?". Si el defecto se ve con claridad y de forma consistente, los algoritmos clásicos van a resolverlo casi seguro. Si el defecto es variable, subjetivo o difícil de definir con reglas, ahí es donde el Deep Learning encuentra su lugar.

4. La complejidad mata: mantén simple la interfaz de operario

Un sistema de visión que funciona perfectamente en el laboratorio va a fallar en línea si la gente que lo maneja no lo entiende. No es cuestión de inteligencia, es cuestión de diseñar pensando en el entorno. Los operarios de producción controlan mil cosas a la vez y necesitan un sistema que les dé un apto/no apto claro, con una señal visual evidente cuando algo falla.

Las mejores interfaces de operario muestran la imagen maestra junto a la imagen de prueba, marcan el detalle que ha fallado con un indicador visual claro y presentan el resultado de forma que no haya nada que interpretar. Si el operario tiene que leer un manual para entender qué le está diciendo el sistema, esa interfaz no es adecuada.

Esto vale también para los cambios de formato y la puesta a punto. Si cambiar de referencia de producto exige que venga un especialista a reprogramar el sistema, has fabricado un cuello de botella que te va a costar tiempo de producción cada semana. Plataformas como Design Assistant de Zebra permiten que un ingeniero que no sea especialista en software configure y mantenga aplicaciones con programación por diagramas de flujo. Eso significa que la gente más cercana a la línea puede sostener el sistema sin esperar ayuda externa cada vez que algo cambia.

5. Flexibilidad: no te encierres

Algunas plataformas de visión te atan al ecosistema de un único proveedor. La cámara solo funciona con su software. El software solo corre sobre su hardware. Cuando necesitas cambiar algo, vuelves a necesitarlos a ellos. Si su soporte es bueno, puede funcionar. Si no lo es, estás atrapado.

La alternativa es construir sobre estándares abiertos. Una cámara compatible con GenICam funciona con cualquier software compatible con GenICam. Interfaces estándar como GigE Vision y CoaXPress están soportadas por múltiples fabricantes. Eso te da libertad para cambiar componentes, añadir cámaras de otros proveedores y mantener tu sistema por tu cuenta.

Lo vemos con frecuencia. Un cliente tiene un sistema que funciona bien con cámaras GenICam, pero quiere bajar el coste unitario pasándose a sensores MIPI. Sobre el papel la diferencia de precio es atractiva. En la práctica, las cámaras MIPI piden drivers distintos, enfoques de integración distintos y conocimientos distintos. Hemos visto empresas dedicar muchos meses de I+D a intentar que funcionen cámaras baratas, para acabar descubriendo que el coste total de desarrollo superaba con creces lo que se habrían ahorrado en hardware. Todo ese tiempo de I+D es coste hundido. El ahorro en cámaras nunca llegó, porque el esfuerzo de ingeniería lo absorbió muchas veces.

Antes de decidir una plataforma, pregúntate: si dentro de 18 meses necesito cambiar algo, ¿podré hacerlo yo? Si la respuesta es no, piensa bien si el ahorro a corto plazo compensa la dependencia a largo.

6. Montaje y entorno: la línea de producción no es el laboratorio

Un sistema de visión que va impecable en el banco puede fallar a las pocas horas de instalarlo en una línea. Los motivos casi siempre son ambientales: variaciones de temperatura que afectan al ruido del sensor y al enfoque de la óptica, vibraciones que desalinean la cámara, luz ambiente que interfiere con la iluminación estructurada, y polvo y humedad que van degradando las superficies ópticas.

Lo mismo vale para el hardware de proceso. Vemos con regularidad clientes usando PC de consumo que nunca se diseñaron para entornos industriales: se calientan, no tienen I/O en tiempo real y no están homologados para funcionamiento continuo. Un PC industrial con I/O en tiempo real, refrigeración pasiva y el grado de protección adecuado no es un lujo. Es un requisito básico para cualquier sistema que tenga que funcionar de forma fiable en planta.

La arquitectura de trigger y de I/O importa más de lo que la gente espera. La diferencia entre hacer polling de I/O y trabajar con I/O en tiempo real puede ser la diferencia entre un sistema que captura todas las piezas y uno que se deja alguna de vez en cuando. Si tu línea va rápida y tus tolerancias son estrechas, aquí no se puede transigir.

7. Coste: el sistema más barato casi nunca acaba siendo el más barato

El instinto de reducir la inversión inicial se entiende. Pero en visión artificial, ahorrar en componentes casi siempre sale más caro a la larga. Una óptica barata que introduce distorsión obliga a una calibración más compleja. Una cámara de bajo coste con mal comportamiento de ruido obliga a un procesado de imagen más agresivo. Una iluminación insuficiente hace que el software tenga que trabajar más, lo que significa más tiempo de desarrollo, lo que significa más coste.

Y luego está el tema del software libre. Herramientas gratuitas como OpenCV son potentes, y para algunas aplicaciones son la opción correcta. Pero cuando algo falla a las dos de la mañana en una línea de producción, ¿quién te da soporte? Cuando necesitas una funcionalidad nueva, ¿quién la desarrolla? El coste total de propiedad (TCO) del software "gratis" suele superar al de una plataforma comercial con soporte en cuanto añades al cálculo el tiempo de ingeniería dedicado a mantenerlo, depurarlo y ampliarlo.

El argumento es simple: invierte en calidad de imagen (cámara, óptica, iluminación) y ahorrarás en software y desarrollo. Tenemos un desglose detallado de lo que cuestan realmente los sistemas de visión artificial en nuestra página de precios.

El puzle tiene solución

Ninguna de estas siete piezas es un problema sin solución. Son retos previsibles y bien conocidos que el sector lleva décadas manejando. La diferencia entre los proyectos que salen bien y los que se atascan casi siempre es la preparación: dedicar tiempo a especificar bien, probar a fondo y elegir componentes y plataformas que sirvan a la aplicación durante años, no solo para pasar la demo inicial.

Si estás arrancando un proyecto de visión artificial, o peleándote con uno que no rinde como esperabas, el equipo de ingeniería de Clearview puede ayudarte. Nuestro Insights Lab está montado exactamente para esto: evaluar tus muestras en condiciones controladas, probar distintas combinaciones de cámara, óptica e iluminación, y validar que el sistema va a funcionar en tu entorno de producción antes de que compres nada.

Escríbenos: info@clearview-imaging.com | +34 951 962 868