En entorns industrials s'escolta freqüentment que la IA resol tots els problemes d'inspecció, però la realitat de les fàbriques revela una complexitat major. La majoria dels sistemes desplegats es basen en xarxes neuronals convolucionals (CNN) — incloses les variants YOLO — que examinen regions localitzades i petites de la imatge per identificar defectes.
Tot i ser eficaces davant defectes òbvies i aïllats, aquestes xarxes fallen quan s'enfronten a patrons intricats o dispersos. Comprendre com funcionen realment les CNN permet als professionals evitar l'excés de confiança i desenvolupar metodologies de prova més sòlides.
La IA industrial s'apoia en l'aprenentatge automàtic amb deep learning que identifica característiques de manera automàtica. Les CNN dominen les tasques d'inspecció d'imatges i potencien models d'ús estès com YOLO.
Les CNN apliquen múltiples filtres sobre les imatges d'entrada. Una imatge de 640×640 píxels processada amb un kernel de 3×3 amb stride 2 es redueix progressivament: després de tres capes d'aquest tipus, el mapa de característiques intern efectiu es redueix a 80×80 píxels, mentre la profunditat augmenta amb múltiples canals que representen diferents patrons detectats.
Cada kernel captura informació de píxels veïns locals, funcionant de manera similar a una safata d'inspecció compartimentada — veu clarament la seva pròpia secció, però no té consciència del que passa a la resta de la imatge.
Les complicacions sorgeixen quan els defectes mostren patrons complexos que abasten regions més àmplies — com defectes petits adjacents o formes dependents del context. Capturar defectes dispersos requereix una reducció de resolució significativa, cosa que pot sacrificar detall o confondre problemes propers.
Això significa que una CNN que funciona bé en condicions de laboratori amb defectes nets i aïllats pot fallar sistemàticament a la línia de producció real, on la variabilitat real — pols, ombres, desplaçaments posicionals, canvis de lot — és la norma, no l'excepció.
Els enginyers no poden dependre exclusivament de les afirmacions sobre l'arquitectura. Revisar les dades d'entrenament — volum, diversitat, equilibri i, en particular, la matriu de confusió — és essencial abans de confiar en qualsevol sistema d'inspecció per IA en producció.
Abans de desplegar, pregunta al proveïdor: quins tipus de defectes hi ha al conjunt d'entrenament? Com s'ha gestionat l'equilibri de classes? Què passa amb els defectes que apareixen al límit entre dues regions d'inspecció?
Les properes edicions examinaran els Vision Transformers (específicament DETR) com a arquitectura alternativa que aborda aquestes limitacions de visió local.