Siguiendo con nuestro último post dónde explicábamos qué puede aportar el Deep Learning al sector alimentario, analizamos aquí el resultado de unir un robot Pick&Place y un sistema de visión con Deep Learning.
Los sistemas Pick&Place están en uso desde hace años y son la aplicación más frecuente de los robots en el sector industrial. Como su nombre indica, estos sistemas sirven para automatizar las tareas repetitivas de cogida y dejada hechas por personas.
En algunas de las aplicaciones Pick&Place se hace uso de la visión artificial para enviar las coordenadas del producto al robot. Ejemplos de estas aplicaciones son:
Cogida de un plato alimentador: Con este sistema el producto es dosificado sobre una superficie plana. Mediante movimiento o vibración del plato, se consigue que el producto quede separado uno del otro. Si el plato tiene vibración también es posible voltear el producto. El sistema de visión capturará una imagen con el plato en estático y enviará las coordenadas de los productos al robot. Después de la cogida, el plato continuará con la dosificación.
Line Tracking basado en visión (o Visual Line Tracking): Mediante un encoder montado sobre la cinta transportadora, el robot realiza los movimientos de cogida y dejada mientras los productos se están moviendo. Esto es posible porque la visión artificial ha calculado la posición del producto en una posición de la cinta conocida gracias al encoder. Con esto, el robot puede saber la posición en cada mediante la diferencia de pulsos de encoder.
Cogida de dentro de una caja, también llamado Bin Picking: Este es un desarrollo relativamente reciente que hace uso de tecnología de visión 3D para calcular la posición de objetos desordenados dentro de una caja. Con este sistema, se evitan los costes añadidos de los platos alimentadores o las cintas transportadoras para el Line Tracking, ya que se puede coger directamente de una caja, pero de momento no es viable de forma universal para todo tipo de productos.
Cogida desde una huella. Los productos están uniformemente colocados en posiciones fijadas, de modo que la visión artificial no hace falta para calcular las coordenadas. Este es el caso más sencillo y parecería ser que no hace falta visión, pero hay veces en que puede ser interesante hacer una comprobación del producto antes de cogerlo.
Como hemos visto, el papel de la visión artificial en todos estos sistemas es el de enviar las coordenadas de los productos al robot. Sin embargo, en pocos casos se aprovecha la visión artificial para aportar valor a la solución más allá del envío de coordenadas. Sin embargo, ya que tenemos instalado un sistema de visión, podemos aprovechar para realizar inspecciones adicionales al producto. Si añadimos un robot Pick&Place a la aplicación de inspección de galletas comentada en el post anterior tenemos una máquina que además de localizar las galletas para que el robot pueda coger, permite además realizar el control de calidad de estas, mediante el contaje de las pepitas de chocolate presentes en la superficie. Y gracias al Deep Learning esto se hace de forma robusta y con altas velocidades de procesamiento. Las galletas que no cumplen los requisitos serán descartadas: el robot no las cogerá o las cogerá y las dejará en una zona de producto NOK.
Otra aplicación interesante en este sentido es el Pick&Place con clasificación, en el cual el robot sólo cogerá los productos de una categoría determinada. Un ejemplo de una aplicación así es en la industria cárnica, dónde interesa clasificar las piezas del animal que circulan por una cinta transportadora según varios criterios: tamaño, calidad o tipo de pieza. Este es un sistema que claramente es solo posible con Deep Learning, ya que la variabilidad en el aspecto de las piezas de carne hace la tarea muy difícil para la visión tradicional.
En resumen, esta es nuestra propuesta de aplicación avanzada de la visión artificial: añadir control de calidad del producto dentro de la propia máquina Pick&Place, aprovechando la misma cámara y robot, para evitar tareas de inspección y clasificación previas. Hoy en día con Deep Learning es posible y solo hace falta que seamos conscientes de las nuevas posibilidades.