BOLETIN INDUSTRIAL Febrero 2021

20 BOLETIN INDUSTRIAL

Aprendizaje automático para mejorar piezas de máquinas

“Ahora, cuando una computadora ve una imagen de un componente de sello, sabrá que encaja en la categoría de sellos dinámicos y luego, más específicamente, en sellos compuestos”, dijo Ramani. Los investigadores ahora han publicado su base de datos de código abierto, invitando a los investigadores de visión por computadora y aprendizaje automático a acceder a ella y crear sus propios experimentos. Mostraron su trabajo en la 16ª Conferencia Europea de Visión por Computadora en agosto. Con un conjunto de datos de referencia ahora establecido, ¿cuál es el futuro del aprendizaje automático para la fabricación de máquinas? “Vemos muchas situaciones del mundo real para esta tecnología”, dijo Ramani. “Imagina que estás trabajando en mantenimiento en una fábrica y estás reemplazando una parte de una máquina. Puede apuntar una cámara a la pieza, y la computadora la reconocerá y le dará instantáneamente todas las especificaciones de esa pieza: cómo se llama, a qué se conecta y dónde se almacenan físicamente en la fábrica. Esto incluso podría suceder a través de gafas de realidad aumentada; podría tener todo el catálogo visual de su empresa al instante al alcance de su mano y aprender a arreglar cosas o pedir piezas. “Hay muchos desafíos en el aprendizaje automático. Pero no puede enfrentar el desafío a menos que sepa cómo probar qué tan bien lo está haciendo. Estamos orgullosos de haber creado el primer conjunto de datos de referencia a gran escala de componentes mecánicos 3D anotados en el mundo, y esperamos avanzar en la búsqueda visual en la era del aprendizaje profundo”. Esta investigación se está llevando a cabo en el Laboratorio de Diseño de Convergencia de la Universidad de Purdue. El trabajo cuenta con el apoyo parcial de la Fundación Nacional de Ciencia.

Un equipo de visión por computadora está aplicando la búsqueda visual para reconocer componentes

mecánicos. L

os investigadores de la visión por computadora utilizan el aprendizaje automático para capacitar a las computadoras en el reconocimiento visual de objetos, pero muy pocos aplican el aprendizaje automático a piezas mecánicas como cajas de cambios, cojinetes, frenos, embragues, motores, tuercas, pernos y arandelas. Un equipo de ingenieros mecánicos de la Universidad de Purdue ha creado la primera base de datos completa anotada de código abierto de más de 58,000 piezas mecánicas 3D, diseñada para ayudar a los investigadores a aplicar el aprendizaje automático en máquinas reales. “Estamos en la era del aprendizaje profundo, utilizando computadoras para la búsqueda visual”, dijo Karthik Ramani, profesor distinguido de ingeniería mecánica en Purdue. “Desafortunadamente nadie se centra en las piezas que se utilizan en las máquinas: tuberías, cojinetes, motores, arandelas, tuercas y pernos, etc. Esas son las cosas que son importantes para nosotros como ingenieros y fabricantes. Queremos poder apuntar con una cámara a una parte del mundo real y que la computadora nos diga todo sobre esa parte o diseño”. El equipo de Ramani experimentó con la búsqueda visual de piezas a principios de la década de 2000, pero la potencia informática y las técnicas de aprendizaje automático aún no

estaban lo suficientemente avanzadas. En los años posteriores, los investigadores han aprendido que la creación de un conjunto de datos sólido se trata de calidad y cantidad. “El aprendizaje profundo consume mucha información”, dijo Ramani. “Se necesitan muchos ejemplos para que la computadora aprenda lo que significan los humanos y cómo se relacionan las cosas entre sí. Eso significa que necesitábamos muchos modelos 3D de piezas que también requerían una clasificación de ingeniería subyacente”. El equipo comenzó asociándose con una empresa francesa llamada TraceParts, que les dio a los investigadores de Purdue acceso a su base de datos de piezas de ingeniería 3D. El equipo colaboró con el profesor asistente Qixing Huang de la Universidad de Texas en Austin para buscar en otras bases de datos modelos 3D similares. Terminaron compilando una base de datos de 58,696 componentes mecánicos. Un video sobre la base de datos está disponible en YouTube. Pero una base de datos no sirve sin buenos datos. El equipo de Ramani organizó las partes estableciendo una taxonomía jerárquica de 68 clases, basada en la Clasificación Internacional de Normas, un sistema de normas técnicas creado y mantenido por la Organización Internacional de Normalización.

Made with FlippingBook - professional solution for displaying marketing and sales documents online