CURSO

“FUNDAMENTOS PARA LA INNOVACIÓN EN LA INDUSTRIA

4.0 CON TECNOLOGÍAS MICROSOFT “

INFORME TÉCNICO DE ESTADÍA

PROPUESTA DE MEJORA PARA EMPRESA DEDICADA A LA

PRODUCCIÓN DE LOSETA CERÁMICA ARTESANAL.

QUE PARA OBTENER EL TÍTULO DE

INGENIERÍA EN MECATRÓNICA
Presenta:

Gloria González Marcos

No. de Control: 1216100458

Asesor Académico: Ing. Jorge Valdivia Otero

Dolores Hidalgo, C.I.N., Gto, Agosto de 2020

Índice
Resumen..........................................................................................................................................3
Justificación..................................................................................................................................3
Objetivo.........................................................................................................................................3
Introducción......................................................................................................................................4
Marco Teórico..................................................................................................................................5
Inteligencia Artificial (IA).........................................................................................................7
Visión Artificial...........................................................................................................................8
Ventajas de la Visión Artificial.............................................................................................10
Aplicaciones de la Visión Artificial.....................................................................................11
Componentes/Elementos de un sistema de Visión Artificial.......................................11
Aspectos de control de calidad en un sistema de Visión Artificial.............................13
Custom Vision Service de Azure.........................................................................................14
Memoria de Calculo......................................................................................................................16
Modelos Cerámicos................................................................................................................16
Creación de un modelo en Custom Vision........................................................................17
Cargar imágenes etiquetadas al proyecto........................................................................21
Entrenamiento del modelo....................................................................................................23
Prueba de modelo...................................................................................................................27
Resultado y discusión...................................................................................................................32
Conclusión......................................................................................................................................33
Recomendaciones.........................................................................................................................34
Referencias....................................................................................................................................35
Anexos............................................................................................................................................36
Resumen
El presente informe consiste en la descripción de una propuesta de mejora para
las empresas dedicadas a la creación de loseta cerámica artesanal, en base a los
contenidos vistos en el curso; fundamentos para la innovación en la industria 4.0
con tecnologías Microsoft.

Dicha propuesta tiene como principal objetivo aplicar los contenidos vistos en el
curso acorde a la carrera “Mecatrónica”, teniendo en cuenta lo anterior se optó por
realizar una técnica de visión artificial con ayuda de Custom Vision, aplicada en la
selección de loseta cerámica dentro del área de selección y empaque.

Justificación
Como se sabe la Mecatrónica tiene una infinidad de aplicaciones y más si se lleva
de la mano con los recursos de Microsoft sin embargo, la idea de este proyecto
surgió gracias al antiguo trabajo dentro del ramo; productos para la construcción
(Cerámicas).

Sabemos que algunas empresas de este ramo no cuentan con la mejor tecnología
o bien, algunas realizan sus productos de manera artesanal obteniendo grandes
resultados, estando en el gusto de muchas personas, incluso hasta de otro país.

Es por eso que sin intervenir el proceso de creación de la loseta cerámica se optó
por aplicar lo aprendido en el área de “Selección y empaque”. Debido al
conocimiento que se tiene de éste, además de que se sabe que es una de las
partes finales del proceso, en donde el producto terminado se selecciona y de no
cumplir los requisitos de calidad se desecha.

Teniendo en cuenta lo anterior, se propuso Custom Vision como una propuesta de

mejora para ayudar a los técnicos de calidad para facilitar su trabajo, esperando
generar grandes resultados y obtener una mayor confiabilidad en el producto.

Objetivo
Reducir tiempos en la selección de piezas defectuosas en el área de selección y
empaque.
Introducción
Los procesos productivos y en general la industria han tenido un avance
tecnológico de manera extraordinaria, obligando a la mejora constante en los
proceso de producción volviéndolos más efectivos, por ejemplo, la visión artificial,
que es uno de los elementos básicos de la inteligencia artificial la cual se comenzó
a desarrollar tratando de dar solución a la necesidad de imitar los sentidos
humanos por medio de métodos computacionales, ya que, como sabemos los
humanos interpretamos el mundo a nuestro alrededor por medio de nuestros ojos
y dependemos mucho de la interpretación de nuestro cerebro para poder darle
lógica lo que vemos y poder realmente utilizar esa información a nuestro favor o
en cosas útiles.

Nuestro cerebro combinado con nuestro sentido de la vista es capaz de ordenar,

clasificar, relacionar y filtrar la información para dar más coherencia a lo que
vemos y esto es lo que nos hace interpretar el mundo a nuestro alrededor y
precisamente estas son algunas funciones que trata de imitar la inteligencia
artificial.

En la industria, el principal reto de la inteligencia artificial es imitar el sentido de la

vista humana, pero a mayor escala y el reto verdadero es lograr que un sistema
artificial pueda distinguir cual información es relevante, extrayendo información de
imágenes capturadas de manera digital por medio de algoritmos, y es
precisamente la función de Custom Vision Service.

Es por ello que a continuación se presentara un énfasis especifico al apartado de

inteligencia artificial, pero solo a una parte de ello, ya que, las herramientas vistas
en el curso fueron diversas y algunas extensas, por lo que para la realización de
esta propuesta se optó por utilizar la herramienta de Custom Vision Service, el
cual es un servicio de la plataforma de Azure, que emplea visión artificial para
reconocer contenido específico en imágenes.
Marco Teórico
La industria 4.0

La industria 4.0 se ha convertido en una corriente principal de la economía

industrial, especialmente durante los últimos años. Este término, nació a principios
de la década en Alemania para dar nombre al proceso de transformación digital de
la industria.

Industria 4.0 es un término que fue utilizado por primera vez por el gobierno
alemán y que describe una organización de los procesos de producción basada en
la tecnología y en dispositivos que se comunican entre ellos de forma autónoma a
lo largo de la cadena de valor.

Este fenómeno representa un cambio tan grande que también se denomina como
la cuarta revolución industrial. En esta nueva etapa, los sensores, las máquinas,
los componentes y los sistemas informáticos estarían conectados a lo largo de la
cadena de valor, más allá de los límites de las empresas individuales. Estos
sistemas conectados podrían interactuar entre ellos usando protocolos estándar
basados en Internet y analizar los datos para prever errores, configurarse ellos
mismos y adaptarse a posibles cambios.

Dicho de otro modo, las tecnologías digitales permiten la vinculación del mundo
físico (dispositivos, materiales, productos, maquinaria e instalaciones) con el digital
(sistemas). Esta conexión habilita que dispositivos y sistemas colaboren entre
ellos y con otros sistemas para crear una industria inteligente, con producción
descentralizada y que se adapta a los cambios en tiempo real. En este entorno,
las barreras entre las personas y las máquinas se difuminan.

El enfoque principal de la revolución 4.0 es la transformación digital de la industria,

la cual, genera beneficios, tanto para el proceso productivo, como para el producto
y el modelo de negocio tales como:
 • La aplicación de las nuevas tecnologías a los procesos productivos lo que los
hará más eficientes (optimización de recursos energéticos o de materias
primas y reducción de costes) y flexibles (acortamiento de plazos y
personalización de productos).

• La incorporación de las tecnologías mencionadas a los productos ya

existentes mejorará sus funcionalidades y permitirá la aparición de nuevos
productos.

Por otro lado, la industria 4.0 sólo tendrá éxito si se dan ciertos requisitos como:
estandarización de sistemas, plataformas y protocolos; cambios en la organización
del trabajo para adaptarse a los nuevos modelos de negocio; seguridad digital y
protección del knowhow; disponibilidad de trabajadores debidamente formados;
investigación y desarrollo; y apoyar la propagación de la Industria 4.0 dentro del
Mercado Industrial.

Ilustración 1. Evolución Industrial: Desde la Industria 1.0 a la Industria 4.0

(Blanco R., S.f.)

Inteligencia Artificial (IA)
Para abordar el concepto de inteligencia artificial, tal vez cabría plantearse primero
la siguiente pregunta: “¿qué es la inteligencia?” Sin duda, se trata de una pregunta
difícil cuya respuesta aún no ha sido resuelta totalmente, la cual sigue
desconcertando tanto a los biólogos como a los psicólogos y filósofos de nuestra
época.

Se podría comenzar por destacar algunas propiedades generales que presenta la

inteligencia humana, como por ejemplo la habilidad de enfrentar nuevas
situaciones, la habilidad de resolver problemas, de responder preguntas, elaborar
planes, etc.

Desde sus inicios, el hombre se representó el mundo real mediante símbolos, los
cuales constituyen la base del lenguaje humano. En este sentido, se podría
considerar a la IA como un dialecto simbólico constituido por cadenas de
caracteres que representan conceptos del mundo real. De hecho, los procesos
simbólicos son una característica esencial de la IA.

A partir de lo expuesto es posible formular una definición más aproximada de

nuestro objeto de estudio: la IA es una rama de las ciencias computacionales que
se ocupa de los símbolos y métodos no algorítmicos para la resolución de
problemas.

En general, la inteligencia artificial (IA) es una respuesta al deseo de aproximar el

comportamiento y el pensamiento humano a diversos sistemas para la solución de
determinadas problemáticas. Por ello, no es de sorprender que actualmente se
tiene sistemas muy avanzados que pueden emular ciertas características
humanas, sin embargo, aún nos encontramos muy lejos de poder recrear algunas
otras.
En la actualidad los métodos de la inteligencia artificial (IA) tienen un gran auge y
muchos investigadores se encuentran estudiando nuevas alternativas en el área.

Hoy en día es común el empleo de sistemas que utilizan la IA para su

funcionamiento cotidiano, entre ellos los procesos productivos dentro de las
industrias, equipos electrodomésticos como lavadores, hornos de microondas,
cámaras de video, e inclusive sistemas de transporte.

Lo que se pretende con estos métodos en ingeniería es resolver los problemas, no

sólo de una manera novedosa, sino sobre todo tener mejores soluciones, más
eficientes y mejor planeadas.

La IA siempre ha tenido como modelo natural las funcionalidades inteligentes del

hombre, enfocándose en distintos aspectos. Su primera motivación fue intentar
construir máquinas que pudieran pensar como el ser humano, o al menos emularle
en alguna capacidad de tal modo que denotara cierta inteligencia. (Ponce Cruz
Pedro, 2010).

Visión Artificial
La visión artificial es una disciplina que engloba todos los procesos y elementos
que proporcionan ojos a una máquina y, por lo tanto, se podría decía que “La
visión artificial o comprensión de imágenes describe la deducción automática de la
estructura y propiedades de un mundo tridimensional, posiblemente dinámica, a
partir de una o varias imágenes digitales bidimensionales de este mundo.

La visión tanto para el hombre como para el ordenador consta de dos fases, la
primera es captar una imagen y la segunda es interpretarla. A pesar de la
complejidad que representa el ojo humano, la fase de captación de imágenes hace
mucho tiempo que está resuelta. El ojo del ordenador, en esta situación es una
cámara fotográfica o de video, así que, lo que resta para completar el proceso de
visión artificial es la interpretación de las imágenes, distinguir los objetos y extraer
la información sobre aspectos particulares o específicos según sean las
necesidades que se desean satisfacer. (Gonzales Marcos Ana, 2006).
La visión industrial o Visión Artificial aplicada a la industria abarca la informática, la
óptica, la ingeniería mecánica y la automatización industrial. A diferencia de la
Visión Artificial académica, que se centra principalmente en máquinas basadas en
el procesamiento de imágenes, las aplicaciones de Visión Artificial industrial
integran sistemas de captura de imágenes digitales, dispositivos de entrada/salida
y redes de ordenador para el control de equipos destinados a la fabricación, tales
como brazos robóticos.

Los sistemas de Visión Artificial se destinan a realizar inspecciones visuales que

requieren alta velocidad, gran aumento, funcionamiento las 24 horas del día o la
repetibilidad de las medidas.

El objetivo de un sistema de inspección por Visión Artificial suele ser comprobar la

conformidad de una pieza con ciertos requisitos, tales como las dimensiones,
números de serie, la presencia de componentes, etc.

Con un sistema de inspección con visión artificial se pueden realizar diversas

tares, entre las que podemos mencionar:

 Automatizar tareas repetitivas de inspección realizadas por operadores.

 Realizar controles de calidad de productos que no era posible verificar por
métodos tradicionales.
 Realizar inspecciones de objetos sin contacto físico.
 Realizar la inspección del 100% de la producción (calidad total) a gran
velocidad.
 Reducir el tiempo de ciclo en procesos automatizados.
 Realizar inspecciones en procesos donde existe diversidad de piezas con
cambios frecuentes de producción. (FSE, 2012).
Ventajas de la Visión Artificial
Mientras que la visión humana es mejor para la interpretación cualitativa de una
escena desestructurada compleja, la visión artificial destaca en la medida
cuantitativa de una escena estructurada debido a su velocidad, precisión y
repetibilidad. Por ejemplo, en una línea de producción, un sistema de visión
artificial puede inspeccionar cientos, o incluso miles, de piezas por minuto. Un
sistema de visión artificial gira en torno a la resolución correcta de la cámara y a la
óptica que le permiten inspeccionar fácilmente detalles de un objeto demasiado
pequeños para que el ojo humano pueda llegarlos a ver.

Al eliminar el contacto físico entre el sistema de prueba y las piezas que van a
verificarse, la visión artificial evita daños en las piezas y elimina el tiempo y los
costes de mantenimiento asociados al desgaste de los componentes mecánicos.
La visión artificial aporta beneficios operativos y de seguridad adicionales al
reducir la participación humana en el proceso de fabricación. Además, evita la
contaminación humana de salas limpias y protege a las personas frente a entornos
peligrosos.

Con la visión artificial, se pueden plantear objetivos estratégicos, algunos ejemplos

de ellos los podemos observar en la siguiente tabla:
Tabla: Objetivos estratégicos alcanzables planteados en base a la Visión Artificial

(COGNEX, 2016).

Aplicaciones de la Visión Artificial

La visión se aplica en distintos sectores de la industria como, industria alimentaria,
automoción, electrónica, farmacia, packaging, etc.

Para lograr unos resultados precisos, fiables y repetibles, las herramientas de

localización de piezas de un sistema de visión deben incluir suficiente inteligencia
para comparar de forma rápida y precisa los patrones de formación con los objetos
reales (correspondencia de patrones) que bajan por la línea de producción.

Las aplicaciones de Visión Artificial se dividen en tres grandes categorías:

 Control de procesos
 Control de calidad
 Aplicaciones no industriales (por ejemplo, control del tráfico)

(FSE, 2012).
Componentes/Elementos de un sistema de Visión Artificial
La visión artificial consiste en la captación de imágenes en línea mediante
cámaras y su posterior tratamiento a través de técnicas de procesamiento
avanzadas, permitiendo así poder intervenir sobre un proceso (modificación de
variables del mismo) o producto (detección de unidades defectuosas), para el
control de calidad y seguridad de toda la producción.

Ilustración 2. Principales componentes de un sistema de visión artificial aplicado a un proceso

(COGNEX, 2016).
Un sistema de visión artificial, como se puede observar la figura anterior está
conformado principalmente por una cámara fotográfica o de video, una fuente de
luz, el monitor que puede ser una pantalla touch e incluir un mouse y un CPU con
un software de análisis con algoritmos previamente cargados; y esto funciona de
manera sincronizada de la siguiente forma:

 Capta una imagen de un objeto real

 La convierte en formato digital
 La procesa mediante un ordenador
 Obtiene unos resultados del proceso

(FSE, 2012).

Aspectos de control de calidad en un sistema de Visión Artificial

El control de calidad en muchas ocasiones se vale de la ayuda de instrumentos,
pero aún hoy en día muchos procesos de inspección se ejecutan basados
totalmente en la experiencia de un inspector y su agudeza visual para reconocer
defectos en los productos. La migración hacia sistemas de visión automatizados
permite ejecutar mediciones precisas, de mayor complejidad, a mayor velocidad y
en una mayor cantidad de la que un humano puede realizar.

Cada aplicación de control de calidad por visión artificial puede ser diferente y
requerir instrumentos y algoritmos muy particulares, inclusive pensado en la
inspección de un mismo producto. Por ejemplo, en el caso de la verificación
dimensional y geométrica de piezas mecanizadas es necesario considerar que
estas piezas presentan brillos intensos y alta reflexión de la luz. Como la medición
está relacionada con los contornos de las mismas, es necesario evitar degradarlos
durante el pre-procesamiento de las imágenes, de hecho, se deben mejorar. Otro
de los aspectos importantes es la calibración del sistema, paso crucial que tiene
como objetivo principal determinar la resolución del sistema y evitar errores
significativos en la medición. A continuación, se presentan algunos parámetros
que verifican en procesos de inspección de calidad son:
Aspectos geométricos: La geometría de un objeto define criterios tales como:
presentación, ensamble, acabados, ajustes con las demás piezas del sistema,
funcionamiento y motricidad, selección y clasificación de objetos, etc.

Aspectos de localización: Es la información que permite ubicar un objeto en un

espacio dado a su servicio. Su utilización es importante para aplicaciones en
robótica, como toma y ensamble de piezas, alimentación de partes y herramientas
en sistemas flexibles de manufactura.

Aspectos físicos: En un objeto se pueden considerar relaciones entre masa y su

respectiva distribución y su forma física, para asimilarle características físicas de
un cuerpo sólido.

Aspectos característicos: Son detalles como: relieves, elementos o huecos que se

encuentran incrustados en el área de un objeto. Para imágenes 2D, solo se hará
referencia detallada a los huecos. Aspectos de conjunto: Son características que
asocian al conjunto de objeto en un escenario:

 La suma de áreas de un grupo de objetos.

 La relación del área con la del escenario.

Aspectos de fondo: La observación y análisis de una imagen en su cuerpo

generan otra cantidad de información de éste.

(Zambrano Rey, 2006).

Custom Vision Service de Azure

Azure Custom Vision es un servicio cognitivo que le permite crear, implementar y
mejorar sus propios clasificadores de imágenes. Un clasificador de imágenes es
un servicio de IA que aplica etiquetas (que representan clases) a las imágenes, de
acuerdo con sus características visuales. 

¿Que hace Custom Vision Service?

El servicio Custom Vision utiliza un algoritmo de aprendizaje automático para
aplicar etiquetas a las imágenes. Usted, el desarrollador, debe enviar grupos de
imágenes que presenten y carezcan de las características en cuestión. Usted
etiqueta las imágenes usted mismo en el momento de la presentación. Luego, el
algoritmo se entrena con estos datos y calcula su propia precisión probándose en
esas mismas imágenes. Una vez que se entrena el algoritmo, puede probarlo,
volver a entrenarlo y eventualmente usarlo para clasificar nuevas imágenes de
acuerdo con las necesidades de su aplicación. También puede exportar el modelo
en sí para su uso sin conexión.

Clasificación y detección de objetos.

La funcionalidad de visión personalizada se puede dividir en dos

características. La clasificación de imagen aplica una o más etiquetas a una
imagen. La detección de objetos es similar, pero también devuelve las
coordenadas en la imagen donde se pueden encontrar las etiquetas aplicadas.

Mejoramiento

El servicio Custom Vision está optimizado para reconocer rápidamente las

principales diferencias entre las imágenes, por lo que puede comenzar a crear
prototipos de su modelo con una pequeña cantidad de datos. 50 imágenes por
etiqueta son generalmente un buen comienzo. Sin embargo, el servicio no es
óptimo para detectar diferencias sutiles en las imágenes (por ejemplo, detectar
grietas o abolladuras menores en escenarios de garantía de calidad).

Además, puede elegir entre varias variedades del algoritmo Custom Vision que
están optimizadas para imágenes con cierto material sujeto, por ejemplo, puntos
de referencia o artículos minoristas.  (Microsoft, 2020).
Memoria de Calculo
Modelos Cerámicos
A continuación se muestran algunos modelos cerámicos creados en el software de
diseño SolidWorks, para cargarlas en el proyecto creado en el portal Custom
Vision y poder comprobar el correcto funcionamiento.

Ilustración 3. Loseta 1 Madera Obscura

Ilustración 4. Loseta 2 Madera Clara

 Ilustración 5. Vista frontal de modelos de loseta para trabajar

Creación de un modelo en Custom Vision

Para realizar esta tarea es necesario ingresar al portal Custom Vision de Microsoft,
para esto es necesario contar con una suscripción vigente en Azure, sin embargo
usaremos nuestra suscripción otorgada gratuitamente por el personal de Microsoft.

Una vez situados en dicho portal se realizara lo siguiente:

1. Iniciar sesión

2. Si se le pide que inicie sesión, hágalo con las credenciales de su cuenta

Microsoft. Si se le pide permitir que esta aplicación acceda a su
información, haga clic en Yes (Sí) y si se le solicita, acepte los términos del
servicio.

3. Damos clic en “Nuevo proyecto” para crear un proyecto.

Ilustración 6. Recuadro para la creación de un nuevo proyecto en la pantalla de inicio de Custom
Vision

4. Al presionar “Nuevo proyecto” nos aparecerá un recuadro en el cual

debemos proporcionar un nombre y una descripción, le daremos el nombre
de Selección y Empaque y la descripción referente a la misma.

Ilustración 7. Campos a llenar con nombre y descripción del proyecto.

5. Seleccione el grupo de recursos que quiera usar para el proyecto.

Ilustración 8. Campos a llenar con la opción de recurso.

En caso de no contar con ninguno recurso se puede crear uno nuevo, dando clic
en Crear Nuevo arrojando el siguiente recuadro.

Ilustración 9. Creación de un nuevo recurso

Nota: Es importante saber la ubicación, ya que de eso dependerá el correcto

funcionamiento de la aplicación. Es nuestro caso es necesario elegir South
Central US, por nuestra ubicación global.

6. Tras seleccionar el grupo de recursos, se mostraran las secciones

siguientes:
 Tipos de proyecto: seleccione la Clasificación.
 Tipos de clasificación: seleccione Multietiqueta,
 Dominios: seleccione General.
Cabe mencionar que un “dominio” optimiza un modelo para determinados tipos de
imagen. Por ejemplo, si el objetivo consiste en clasificar imágenes de alimentos
por los tipos de alimentos que contienen o el origen étnico de los platos, puede
resultar útil seleccionar el dominio Food (Comida). Para los escenarios en los que
no coincide ninguno de los dominios ofrecidos, el dominio adecuado para el uso
que le daremos es “General”, ya que este no va especificado a ningún dominio en
particular.

7. En este paso solo se seleccionara guardar el proyecto, son embargo, es

importante corroborar que todos los campos estén llenados correctamente
quedando de la siguiente manera:
 Ilustración 10. Captura de la solicitud para crear un nuevo proyecto.

Cargar imágenes etiquetadas al proyecto

Se ingresan las imágenes al proyecto creado en Custom Vision, etiquetándolas de
modo que Custom Vision pueda diferenciar a un modelo del otro.

Primero, se crearan las etiquetas necesarias dentro del portal de Custom Visión,
se asignara un nombre clave en el campo “Nuevo nombre de la etiqueta” y
guardaremos la configuración.

Ilustración 11. Captura de etiquetas

Una vez que tengamos nuestras etiquetas listas las podremos observar en la parte
inferior izquierda del portal como se observa a continuación.

Ilustración 12. Etiquetas creadas

Como se puede observar, el número de imágenes en las etiquetas creadas es
cero. Se agregaran algunas imágenes al proyecto y se asignaran sus etiquetas
correspondientes.

Lo que aremos a continuación es cargar las imágenes al proyecto, para esto se

crearon dos carpetas con el respectivo nombre de las etiquetas ya creadas, estas
carpetas serán nuestros recursos de imágenes para nuestro proyecto .

En el portal daremos clic en Agregar imágenes para entrenar el proyecto.

Ilustración 13. Cargar imágenes al proyecto.

Al dar clic en el botón nos mandara a la unidad de almacenamiento local.

Buscaremos las carpetas correspondientes y cargaremos las imágenes a su
etiqueta.
 Ilustración 14. Agregar imágenes al proyecto.

Al seleccionar todas la imágenes que contiene la carpeta y dar clic en el botón

“Abrir” nos aparecerá un recuadro, en este mismo, se debe seleccionar la etiqueta
a la que queremos que estén vinculadas las imágenes, en este caso será; Madera
Clara.

Ilustración 15. Selección de etiquetas.

Realizando lo anterior solo queda dar clic en el botón Subir archivos y para la
carpeta restante se realizara el mismo procedimiento. Debe de aparecer el
siguiente recuadro comprobando que el proceso se cumplió de manera exitosa.

Ilustración 16. Confirmación de carga de imágenes de proyecto exitosa

Entrenamiento del modelo
Entrenaremos el modelo con las imágenes ya cargadas y etiquetadas, una vez
terminado el entrenamiento se puede perfeccionar cargando más imágenes para
que al realizar alguna iteración nuestro proyecto tenga los recursos necesarios
para que sea capaz de identificar cualquier detalle presentado.

Para realizar el entrenamiento daremos clic en el botón Train situado en la parte

superior derecha de la página. Cada vez que se entrene el modelo, se crea una
nueva iteración. Custom Vision Service mantiene varias iteraciones, lo que le
permite comparar su progreso a lo largo del tiempo.

Ilustración 17. Entrenar el modelo

Al dar clic en Train debemos esperar a que termine el entrenamiento, (Solo

debería tardar unos segundos). Luego, revisaremos las estadísticas del
entrenamiento que se presentan para la iteración uno.
Los resultados mostraran tres medidas de precisión del
modelo, Precision (Precisión), Recall (Recuerdo) y AP.

Se le presentaron al modelo cinco imágenes de “Madera Clara” y cinco de

“Madera Obscura”. El resultado muestra que se identifican y se diferencian
correctamente los dos modelos propuesto respetando las etiquetas asignadas. En
este caso, la precisión del modelo sería del 100 %.

Para un mejor entendimiento del entrenamiento realizado del programa previo a la

prueba de funcionamiento, se muestra a continuación el analisis arrojado por
Custom Visión Service.
 Ilustración 18. Resultado del entrenamiento .

En la ilustración 18 el análisis obtenido muestra resultados tanto generales como

también por etiqueta, esto es de gran ayuda ya que si lo requerimos Custom
Vision nos puede indicar cuantas imágenes son funcionales y en cual etiqueta es
necesario cambiar o ingresar más imágenes para el mejor desempeño del modelo.

Interpretando los datos arrojados tendremos lo siguiente:

La precisión es de un 100%, este porcentaje indica que la

aplicación esta creada de manera correcta y al momento
de cargar las imágenes y agregarle las etiquetas
correspondientes el programa trabajara de manera
adecuada.
 Recordar es el que te indica que porcentaje de memoria
del modelo, es decir que, de las imágenes que hay con
etiqueta recuerda el 100% para comparar con las que se
vayan agregando con el tiempo, tenemos porcentajes
aceptables, ya que las imágenes de los modelos son
similares entre sí con esto, a Custom Vision le será más
fácil detectar cualquier anomalía que tenga las piezas y
reportarlas de inmediato.

AP, es la que te indica generalmente el porcentaje de

efectividad que tiene tu aplicación, el 100% es muy
buen resultado, a pesar de que por el momento cuenta
con cinco imágenes por modelo, la aplicación hace un
gran trabajo. Si se entrena y se le agregan los recursos
suficientes esta aplicación tendrá una confiabilidad
excelente.

Por último se observa el rendimiento por etiqueta el cual se muestra a

continuación:

Ilustración 19. Resultados de las etiquetas.

.
En esta imagen se observa los parámetros explicados anteriormente sin embargo,
solo hemos entrenado mas no hemos agregado imágenes para que las clasifiqué.
Es necesario ver la interpretación de nuestro modelo al ingresarle gráficos
cerámicos diferentes o con detalles estéticos esperando una buena interpretación.

Prueba de modelo
Es momento de probarlo, proporcionado nuevas y diferentes imágenes y ver los
resultados arrojados.

Para realizar esta tarea es necesario dar clic en la opción Quick Test que se
localiza en la parte superior derecha de la aplicación.

Ilustración 20. Prueba del modelo.

Al presionarlo nos mandara nuevamente a la unidad local para agregar las nuevas
imágenes para la iteración denominado como “Examen rápido”.

Ilustración 21. Elección de imagen de prueba.

Al ingresar imágenes al simulador tendremos los resultados que se muestran a

continuación:
 Resultado

Ilustración 22. Resultado de prueba 1.

Como se observa en la ilustración 22, el resultado obtenido es bueno. Se agregó

una imagen y el modelo la selecciono adecuadamente, la imagen corresponde a
nuestra etiqueta “Madera Clara”, el modelo arrojo una predicción del 100%, cabe
recalcar que es una imagen distinta a las utilizadas en el entrenamiento, así se
puede tener la certeza que el simulador sabe interpretar las imágenes y arrojar un
resultado certero.

Ahora realizaremos algunas pruebas más para corroborar la efectividad de nuestro

modelo seleccionador, siguiendo exactamente los mismos pasos que se usaron
para llegar al resultado anterior, pero empleando diferentes imágenes de prueba.
 Resultado

Ilustración 23. Resultado de prueba 2

Resultado

Ilustración 24. Resultado de prueba 3.

 Resultado

Ilustración 25. Resultado de prueba 4.

En la ilustración 25, el modelo arrojo un resultado del 68.8% para “Madera Clara” y
un 33.1% para “Madera Obscura”, esto quiere decir que la imagen del cerámico
tiene defectos visibles, ya que por porcentajes no cumpliría en ninguno de los dos
modelos trabajados, por lo tanto al instante el en el monitor se vería reflejado y por
consecuente seria retirado.

El motivo por el cual fue rechazado fue por el color y por el diseño en cuanto
interpretación de la madera se refiere, ya que para Custom Visión resulta fácil
identificar este detalle, además de que el color no aplica para ningún modelo
trabajado, el color es más obscuro para pertenecer a la “Madera Clara” y no lo
suficientemente obscuro para pertenecer al de “Madera Obscura”, es por eso que
nos genera un resultado en ambos modelos. Custom Vision trata de vincular es
detalles estéticos con sus modelos obteniendo estos resultados.
En la ilustración 26 se muestra la propuesta de aplicación para la que se pensó
este modelo seleccionador. Desde un inicio se planteó como propuesta de
aplicación de la visión artificial como seleccionador de loseta cerámica dentro de
proceso de selección y empaque y una vez conocidos los elementos que contiene
un sistema de visión artificial, podemos llegar a esta propuesta.

Ilustración 26. Posible Aplicación del clasificador de objetos (Botellas con o sin etiqueta) realizado
en custom visión de Azure.
Resultado y discusión
Como se observó a lo largo de las pruebas, los resultados son muy buenos, la
aplicación cuenta con una predicción muy acertada en cada uno de las iteraciones
realizadas.

En la ilustración 25 se observó una prueba en la que el resultado tuvo un

porcentaje para las dos etiquetas trabajadas sin embargo, es importante saber que
esta prueba se realizó intencionalmente con la finalidad de ver la respuesta de
nuestro modelo seleccionador ante tal situación y ver el resultado que tendría al
detectar un modelo cerámico que no cumple completamente con las
características que requieren los dos modelos ya que por los resultados arrojados
se tendría que desechar la pieza.

Esto sin lugar a duda es muy bueno, si el modelo se aplicara al proceso para el
cual esta creado tendría grandes resultados, ya que como se observó si se trabaja
con un modelo cerámico en particular la aplicación estará checando que las
losetas cerámicas cumplan con los requisitos establecidos y de no ser así de
inmediato se detectara tal y como se mostró en las pruebas realizadas.

Aunque a pesar de los resultados obtenidos es importante seguir entrenando el

modelo, con la finalidad de disminuir aún más el margen de error, esto enfocado
en las pruebas realizadas ya que un resultado registro un porcentaje del 60% de
similitud a uno de los modelos, si bien no es malo ya que se requiere un 95% para
aceptar el producto por lo cual sabemos claramente que es desechado, sin
embargo, es necesario entrenarlo para reducir estos estándares o bien eliminarlos.

Es aquí donde vemos que a pesar de la maravilla que representa esto, requiere de
entrenamiento para poder funcionar correctamente, y por eso mismo, durante el
curso se hizo la mención de que cuantas más imágenes e iteraciones de
entrenamiento realicemos a nuestro modelo seleccionador, este se volverá mucho
más eficiente arrojando resultados más confiables.
Conclusión
El reporte consistió en la descripción de una propuesta realizada en base a los
contenidos planteados en el curso, y yo específicamente tome la ruta hacia el área
de la inteligencia artificial con un enfoque en la visión artificial.

Además de esto, la propuesta debería ser acorde a la carrera “Mecatrónica”; y en

este caso se optó por realizar una propuesta de técnica de visión artificial aplicada
a la selección de objetos dentro de los procesos productivos a través del servicio
de Custom Vision de MICROSOFT, debido a que en el cuatrimestre 11 de la
carrera vimos un tema de sistemas de inspección de visión artificial enfocados a la
verificación de calidad, en una materia llamada sistemas de manufactura flexible.

En esta propuesta se utilizó Azure Custom Vision, el cual es un servicio cognitivo

que permite crear e implementar clasificadores de imágenes de acuerdo a sus
características visuales. Se creó el proyecto, el cual fue denominado “Selección de
producto terminado”, posterior a esto se cargaron las imágenes representativas de
las losetas cerámicas, dos tipos de modelos diferentes, para después agregarles
la etiqueta correspondiente para poder clasificarlos. Posteriormente se continuo
con el entrenamiento de nuestro seleccionador, el cual es de aprendizaje
autónomo, únicamente tiene que ser alimentado con imágenes digitales de los
objetos a clasificar, lo que representa una maravilla a mi parecer; ya que el modelo
fue entrenado, se realizaron pruebas correspondientes, con el fin de comprobar su
funcionalidad, cargando diferentes imágenes, a lo que el clasificador respondió de
manera exitosa, logrando identificar el tipo de imagen que se estaba comparando,
en este caso las imágenes de los modelos cerámicos, de esta manera
comprobamos que nuestro modelo de Custom Vision es funcional, y que se puede
emplear en diversidad de aplicaciones.

Por lo tanto, como se mostró en el informe, la visión artificial es de gran utilidad ya

que con ella puedes realizar infinidad de actividades. De igual manera se observó
que puede ser de gran ayuda hoy en día en los procesos productivos.
Recomendaciones
Durante el proceso de estudio notamos que se requieren complementos para
poder trabajar adecuadamente. Por ello es recomendable contar con un equipo de
excelente calidad, en este caso, la cámara es un factor indispensable para el
funcionamiento de la visión artificial. Esto debido a que si se cuenta con una
cámara que carece de calidad en cuanto a pixeles, el desempeño que puede
llegar a tener Custom Vision Service puede verse afectado.

Es muy importante tener en cuenta esto, ya que de manera indirecta puede llegar
a afectar nuestro proceso. Una cámara de alta resolución ayudará a Custom
Vision, detectando detalles minuciosos y así la aplicación no se verá limitada por
la cámara.
Referencias
COGNEX Corporation. “Introducción a la visión artificial -Una guía para
automatización de procesos y mejoras de calidad- “. USA. 2016.

Gonzales Marcos Ana, y otros (Integrantes del grupo de investigaciones EDMANS).

“Técnicas y algoritmos básicos de visión artificial”. (Material didáctico para ingenierías).
España. Editorial: Servicios de Publicaciones de la Universidad La Rioja. 2006.

Fondo Social Europeo (FSE). “Visión Artificial –Aplicación práctica de la visión

artificial en el control de procesos industriales- “. España. Febrero 2012.

Blanco R., Fontrodona J. y Poveda C. “La industria 4.0: El estado de la cuestión”.

Revista Economía Industrial. S.f.

Ponce Cruz Pedro. “Inteligencia Artificial con aplicaciones a la ingeniería”. Primera

edición. México. Grupo editor AlfaOmega S.A. de C.V. Julio 2010.

Zambrano Rey Gabriel Mauricio, y otros. “Estación de control de calidad por visión
artificial para un centro de manufactura integrada por computador (CIM)”. Universidad
Javeriana. 2006. Articulo.

Microsoft. “¿What is Custom Vision?”. Microsoft DOCS. Recuperado de :

https://docs.microsoft.com/en-us/azure/cognitive-services/custom-vision-service/home.
Abril 2020.
Anexos
Comprobante de finalización de curso.
Constancia de Simulador para examen, (Sin validez, solo para practicar)
Constancia de examen de certificación aprobado, (Con validez, contiene código de
escaneo QR)