La inteligencia artificial en los sistemas de visi\u00f3n<\/strong><\/p>\n\n\n\n En primer lugar, me gustar\u00eda hacer una r\u00e1pida explicaci\u00f3n de los t\u00e9rminos y principios de funcionamiento. Me adelantar\u00e9 diciendo que lo que sigue es una gran simplificaci\u00f3n de esta compleja ciencia, con t\u00e9rminos que no siempre son cient\u00edficamente apropiados.<\/p>\n\n\n\n Aprendizaje autom\u00e1tico, aprendizaje profundo y redes neuronales<\/strong> forman parte de la gran familia deInteligencia Artificial<\/strong>.<\/p>\n\n\n\n El Aprendizaje autom\u00e1tico<\/strong> (en italiano) Aprendizaje autom\u00e1tico<\/strong>) son un conjunto de algoritmos para aprender informaci\u00f3n y generar decisiones a partir de un conjunto de datos de aprendizaje sin utilizar modelos matem\u00e1ticos o estad\u00edsticos predeterminados.<\/p>\n\n\n\n En la pr\u00e1ctica, en los sistemas de visi\u00f3n artificial que utilizan el aprendizaje autom\u00e1tico, se suele proporcionar al algoritmo una serie de im\u00e1genes de defectos para que luego sean reconocidos como tales.<\/p>\n\n\n\n Esta acci\u00f3n se denomina Aprendizaje supervisado <\/strong>y es el tipo de aprendizaje m\u00e1s utilizado en los sistemas de visi\u00f3n artificial de este tipo. Los datos de aprendizaje de entrada (las im\u00e1genes de los defectos y la informaci\u00f3n relacionada con su caracterizaci\u00f3n) se seleccionan manualmente, es decir, son supervisados. Toda esta informaci\u00f3n es \"digerida\" por el algoritmo de tal manera que identifica una regla general que le permite encontrar los defectos catalogados en las im\u00e1genes que ver\u00e1 de vez en cuando.<\/p>\n\n\n\n Una especie de caja m\u00e1gica que aprende de las im\u00e1genes de los defectos y proporciona un juicio sobre la imagen que est\u00e1s viendo en ese momento.<\/p>\n\n\n\n En nuestra caja m\u00e1gica hay algunos redes neuronales<\/strong>es decir, algoritmos capaces de aprender, un poco como la mente humana. En 2019, hasta 29 tipos b\u00e1sicos de redes neuronales<\/strong>5 de ellos se definen como Profundo.<\/strong> La principal diferencia entre un red neuronal simple<\/strong> y una red neuronal profunda<\/strong> est\u00e1 en el n\u00famero de capas intermedias ocultas. La red neuronal simple s\u00f3lo tiene una capa intermedia, a diferencia de la red neuronal profunda que tiene m\u00e1s de una, cada capa corresponde a un nivel diferente de abstracci\u00f3n del \"razonamiento\".<\/p>\n\n\n\n El Aprendizaje profundo<\/strong>La elaboraci\u00f3n de la informaci\u00f3n llevada a cabo por una red neuronal profunda suele dar resultados m\u00e1s fiables que los realizados por una red neuronal monocapa.<\/p>\n\n\n\n Ventajas e inconvenientes del aprendizaje autom\u00e1tico en los sistemas de visi\u00f3n artificial<\/strong><\/p>\n\n\n\n Machine Learning y Deep Learning son dos palabras que se utilizan mucho \u00faltimamente en el entorno de la Industria 4.0. Independientemente de los aspectos \"de moda\" de ambos t\u00e9rminos, debemos entender si estas tecnolog\u00edas pueden utilizarse de forma rentable.<\/p>\n\n\n\n La respuesta a esta pregunta depende del tipo de aplicaci\u00f3n del sistema de visi\u00f3n.<\/p>\n\n\n\n Veamos las principales ventajas.<\/p>\n\n\n\n Ahora veamos las desventajas.<\/p>\n\n\n\n Soluci\u00f3n VEA para el aprendizaje autom\u00e1tico en sistemas de visi\u00f3n<\/strong><\/p>\n\n\n\n Las pruebas realizadas en algunos de nuestros clientes han demostrado que las tecnolog\u00edas de Deep Learning son muy buenas porque son capaces de catalogar eficazmente un buen n\u00famero de fallos, pero son caras de gestionar y no son capaces de superar el nivel de fiabilidad que tienen los actuales algoritmos propietarios en \"l\u00f3gica h\u00edbrida\". De hecho, los actuales algoritmos VEA en \"l\u00f3gica h\u00edbrida\" son hoy m\u00e1s funcionales, m\u00e1s r\u00e1pidos de implementar y, sobre todo, m\u00e1s fiables y controlables que una red neuronal \"profunda\".<\/p>\n\n\n\n Los algoritmos en \"l\u00f3gica h\u00edbrida\", desarrollados desde 2007 por VEA, ya adoptan un aprendizaje supervisado preestablecido basado parcialmente en la red neuronal, pero adoptando l\u00f3gicas estad\u00edsticas y matem\u00e1ticas para reforzar su estabilidad.<\/p>\n\n\n\n Los \u00faltimos tipos de redes neuronales profundas, junto con la creciente capacidad de elaboraci\u00f3n de los procesadores, presentan sin embargo varias ventajas. La soluci\u00f3n, por tanto, es minimizar los inconvenientes.<\/p>\n\n\n\n De ah\u00ed la tecnolog\u00eda propia Aprendizaje autom\u00e1tico regulado<\/strong>. Es un conjunto de algoritmos h\u00edbridos formados por dos conjuntos distintos de l\u00f3gica.<\/p>\n\n\n\n El primer grupo de \"aprendizaje\" est\u00e1 formado por l\u00f3gicas de Deep Learning que aprenden la casu\u00edstica de los defectos, abstrayendo los conceptos.<\/p>\n\n\n\n El segundo grupo \"supervisi\u00f3n\" est\u00e1 formado por l\u00f3gicas h\u00edbridas capaces de evaluar si el resultado del grupo \"aprendizaje\" es suficientemente fiable, en el caso contrario se toman como referencia los resultados de las l\u00f3gicas \"supervisi\u00f3n\".<\/p>\n\n\n\n El uso complementario de las dos l\u00f3gicas ha dado hasta ahora excelentes resultados sin perder fiabilidad.<\/p>\n\n\n\n Adem\u00e1s, el nivel de abstracci\u00f3n de las l\u00f3gicas de Deep Learning es tan alto que permite la construcci\u00f3n de \"paquetes\" de aprendizaje preconstituidos, evitando largas y costosas sesiones de aprendizaje a costa del cliente.<\/p>","protected":false},"excerpt":{"rendered":" Los sistemas de visi\u00f3n artificial utilizan cada vez m\u00e1s las tecnolog\u00edas de aprendizaje autom\u00e1tico, aprendizaje profundo y redes neuronales. El significado de estos t\u00e9rminos no siempre est\u00e1 claro para todos. Sin embargo, no hay que cometer el error de considerar estas tecnolog\u00edas como la soluci\u00f3n para resolver cualquier problema de visi\u00f3n. Mejor entonces conocer los l\u00edmites para poder ...<\/p>\n![\"aprendizaje](\"https:\/\/vea.it\/wp-content\/uploads\/2021\/01\/deep-learning.png\")
<\/figure><\/div>\n\n\n\n