En muchos procesos industriales surge una necesidad muy concreta: identificar y clasificar productos, piezas o componentes de forma rápida y fiable. Tradicionalmente, esto requería desarrollar modelos específicos, recopilar grandes cantidades de imágenes y realizar largos procesos de entrenamiento, como explicamos en 10 cosas que me hubiera gustado conocer en mi primer proyecto de IA en una fábrica.
Hoy, gracias a los modelos VLM (Visual Language Models), este proceso puede simplificarse enormemente.
¿Qué es un VLM?
Un Visual Language Model es un tipo de inteligencia artificial capaz de comprender tanto imágenes como instrucciones en lenguaje natural. Esto significa que puede analizar lo que ve en una cámara y compararlo con ejemplos e instrucciones proporcionadas por una persona.
En lugar de entrenar un modelo desde cero con cientos de imágenes etiquetadas, basta con mostrar ejemplos visuales y describir qué debe identificar.
Enfoque tradicional | Enfoque con VLM |
|---|---|
Requiere cientos de imágenes etiquetadas por categoría | Funciona con un puñado de ejemplos de referencia |
Entrenamiento y validación en varios ciclos | Configuración directa, sin ciclo de entrenamiento previo |
Cambiar de categoría implica reentrenar | Cambiar de categoría implica actualizar la referencia |
Requiere perfil técnico especializado | Configurable por un operario o ingeniero de proceso |
Cómo funciona la clasificación visual en Rely
El proceso comienza creando una referencia visual donde se muestran los diferentes objetos que queremos clasificar. Esta referencia puede incluir imágenes de ejemplo, instrucciones visuales, descripciones en texto y las características diferenciadoras de cada objeto.
A esta referencia se la conoce como Golden Reference.
Cuando la cámara captura una nueva imagen, el sistema compara automáticamente lo que está viendo con la Golden Reference para determinar a qué categoría pertenece el objeto.
Un ejemplo práctico: clasificación de bolígrafos
Para demostrar el funcionamiento del sistema, preparamos una Golden Reference con distintos tipos de bolígrafos. Cada modelo incluía características específicas que permitían diferenciarlo del resto: algunos se distinguían por su forma, mientras que otros requerían identificar información impresa en el propio objeto, como el grosor de escritura.
Cuando la cámara capturaba una imagen, el sistema analizaba automáticamente el objeto y devolvía la clasificación correspondiente.
Lo más interesante es que nunca se le indicó a la inteligencia artificial que estaba observando bolígrafos. Simplemente aprendió a diferenciarlos a partir de los ejemplos proporcionados, sin que nadie programara una sola regla específica sobre qué es un bolígrafo.
Cuándo la información visual (y textual) importa
Una de las ventajas de los VLM es que no solo interpretan formas, sino también texto y contexto.
Durante la prueba observamos un comportamiento especialmente interesante. Algunos modelos de bolígrafos se diferenciaban únicamente por una inscripción impresa, como "0.2" o "0.4". Cuando esta información quedaba oculta, el sistema era incapaz de identificar correctamente el objeto y devolvía el resultado "ninguno". Al volver a mostrar la información visible, la clasificación se realizaba correctamente.
Esto demuestra que la inteligencia artificial utiliza tanto elementos visuales como información textual para tomar decisiones, igual que lo haría una persona leyendo la etiqueta de un producto para diferenciarlo de otro casi idéntico.
Automatización de decisiones en tiempo real
Una vez obtenida la clasificación, es posible incorporar lógica adicional mediante nodos, sin necesidad de programar. En la demostración configuramos una regla sencilla:
Si el resultado contenía la palabra "ninguno", el sistema generaba una señal KO.
Si el objeto era identificado correctamente, generaba una señal OK.
De esta forma, la clasificación visual deja de ser únicamente un análisis y se convierte en una herramienta de decisión automática, capaz de activar alertas, rechazar productos o desencadenar acciones dentro del proceso.
Trazabilidad y análisis histórico
Todas las inspecciones realizadas quedan registradas en el histórico de Rely. Esto permite consultar posteriormente:
Resultados obtenidos
Fechas de inspección
Cámaras utilizadas
Clases detectadas
Defectos identificados
Gracias a esta trazabilidad, las empresas pueden analizar tendencias, investigar incidencias y mejorar continuamente sus procesos de calidad, con la misma lógica que ya explicamos en Cómo evitar reclamaciones de calidad con visión artificial.
Preguntas frecuentes
¿Necesito entrenar un modelo para cada objeto nuevo que quiera clasificar?
No. Con un VLM basta con actualizar la Golden Reference con nuevos ejemplos e instrucciones, sin pasar por un ciclo de entrenamiento tradicional.
¿Cuántos ejemplos necesito en una Golden Reference?
Muchos menos que en un entrenamiento tradicional. En el caso de los bolígrafos, unos pocos ejemplos por modelo fueron suficientes para que el sistema aprendiera a diferenciarlos, incluida la información impresa en cada uno.
¿Un VLM puede combinarse con detección de defectos tradicional?
Sí. La clasificación por VLM y la detección de defectos entrenada específicamente pueden convivir en el mismo flujo de inspección, según lo que necesite cada referencia.
¿Qué pasa si dos objetos son casi idénticos visualmente?
Si la diferencia está en un detalle visible (una inscripción, un color, una forma sutil), el sistema puede aprender a distinguirlos siempre que ese detalle esté incluido y sea legible en la Golden Reference, como vimos con el grosor de escritura de los bolígrafos.
Una nueva forma de implementar visión artificial
Los modelos VLM están transformando la forma en que las empresas implementan sistemas de visión artificial. En lugar de depender de largos procesos de entrenamiento y desarrollo, ahora es posible crear clasificadores visuales utilizando ejemplos e instrucciones comprensibles para cualquier operario.
El resultado es una implantación más rápida, flexible y accesible, capaz de adaptarse a nuevos productos y necesidades con mucha menos complejidad que los sistemas tradicionales.
¿Tienes un caso de clasificación que hoy te obliga a programar reglas complicadas?
Te enseñamos cómo se configuraría con una Golden Reference, en una demo sobre tu propio producto.