Soluciones de Espectroscopía y Visión Artificial
La visión artificial en base a deep learning (redes neuronales) remeda, en cierta manera, la manera en que el cerebro humano procesa la información visual, por lo que, al igual que ocurre con el cerebro, es imprescindible que primero haya un proceso de aprendizaje. Para ello, se ha de disponer de un conjunto de imágenes suficientemente representativo de los casos que se pretenden detectar, que sirve para “entrenar” la red neuronal, esto es, que la red sea capaz de “interpretar” o “reconocer” las características de interés. Una vez validada la red construida, esta se utiliza para inspeccionar cada nueva imagen, siendo la salida de la red una etiqueta que identifica dicha imagen como perteneciente a una de las clases preestablecidas. En la práctica, una red neuronal es un conjunto de valores numéricos, recogidos en un archivo digital, específico para una tarea concreta, de manera que un software dedicado se ocupa de “aplicar” dicha red a cada imagen a fin de obtener la etiqueta correspondiente a la clase a la que la imagen parece pertenecer.
Los algoritmos de visión artificial tradicionales son determinísticos. Eso significa que, mediante funciones matemáticas, sean genéricas o específicas, se analiza cada imagen buscando las características de interés. Ese enfoque limita su aplicación a casos muy concretos, en los que las características sean muy marcadas o evidentes respecto al resto de los elementos de la imagen y siempre requiere de la intervención de expertos humanos. En el mundo real las circunstancias favorables al uso de algoritmos determinísticos no son nada frecuentes. Por el contrario, hay muchos elementos interferentes que afectan sobremanera la exactitud del resultado. El deep learning, por el contrario, no parte de supuestos más o menos realistas, sino que, en la fase de aprendizaje, se adapta automáticamente a las circunstancias, esto es, es menos sensible a variaciones imprevistas, y ello puede conseguirlo sin necesidad de supuestos teóricos o del trabajo de un experto.
La aplicación más frecuente es la detección de defectos morfológicos a fin de activar un sistema de rechazo que descarte aquellos productos etiquetados por la red neuronal como defectuosos. Por ejemplo, detección de cuerpos extraños o de unidades defectuosas en alimentos, diferencias cromáticas intolerables en piezas, textiles o productos alimentarios o la cuantificación objetiva de fallos o defectos a fin de calcular un precio justo para los diversos grados de calidad de un producto, por ejemplo defectos en granos para su venta y comercialización.
