Uso de imágenes térmicas y anotaciones para los controles de calidad

El calor detrás de la precisión: por qué es importante la termografía

Las imágenes térmicas, o termografía, capturan la radiación infrarroja emitida por los objetos y la traducen en datos visuales basados en la temperatura. A diferencia de las imágenes RGB estándar, las cámaras térmicas miden las señales de calor, lo que permite detectar anomalías que de otro modo serían invisibles, como puntos eléctricos, fugas internas o fatiga del material.

Estos mapas de calor se convierten en indicadores críticos para los controles de calidad en sectores como:

• Electrónica: Sobrecalentamiento de placas de circuitos, defectos de soldadura
• Automoción: Desgaste de las pastillas de freno, problemas de escape, inconsistencias térmicas
• Aeroespacial: Fallos de aislamiento, integridad del compuesto
• Alimentación y farmacia: Monitoreo de la cadena de frío, inspección de sellos de empaque
• Construcción y energía: Brechas de aislamiento, eficiencia de HVAC, sobrecalentamiento del panel

🔥 Los datos térmicos revelan verdades que la luz visible no puede revelar y, cuando se combinan con la IA y la anotación, convierten su proceso de inspección en un sistema de control de calidad proactivo.

El valor de los datos térmicos anotados en los modelos de IA

En el ámbito del control de calidad basado en la IA, las imágenes térmicas se vuelven exponencialmente más potentes cuando se combinan con anotación precisa. Una imagen térmica sin anotaciones es simplemente un mapa de calor: colorido, sí, pero no procesable. Son los conocimientos etiquetados los que transforman esos datos en un campo de entrenamiento para sistemas inteligentes.

Por qué la anotación es esencial para la precisión de la IA

Los modelos de IA, especialmente los sistemas de aprendizaje profundo como las redes neuronales convolucionales (CNN), dependen en gran medida de los patrones de los conjuntos de datos etiquetados para aprender. En el caso de las imágenes térmicas, las anotaciones ayudan al modelo a distinguir entre distribuciones de temperatura normales y eventos térmicos anormales—como sobrecalentamiento, puntos fríos o calentamiento asimétrico.

Así es como la anotación contribuye directamente al rendimiento del modelo:

• Localización de funciones: Al marcar las regiones exactas en las que se producen las anomalías térmicas, las anotaciones ayudan al modelo a localizar los defectos con mayor precisión. Esto es especialmente útil en situaciones como la inspección de placas de circuito impreso, en las que se requiere una precisión milimétrica.
• Reconocimiento de patrones: Con el tiempo, las imágenes térmicas anotadas entrenan al modelo para que reconozca no solo problemas aislados, sino también patrones, como una deriva térmica gradual a lo largo de una producción, lo que indica una lenta degradación de los componentes.
• Clasificación multiclase: En configuraciones de fabricación complejas, las anotaciones pueden categorizar diferentes tipos de anomalías (p. ej., puntos calientes debidos a la fricción frente a fallos eléctricos). Esto permite que el modelo proporcione no solo un resultado binario, sino también un diagnóstico detallado.
• Aprendizaje temporal: Cuando la anotación se aplica en varios fotogramas en una secuencia temporal (por ejemplo, durante un ciclo de calentamiento o enfriamiento), la IA puede aprender el comportamiento térmico a lo largo del tiempo, lo cual es fundamental para las aplicaciones en las pruebas de esfuerzo y la evaluación dinámica de sistemas.

Más allá de la detección: la anotación permite la explicación

Una ventaja significativa de los datos térmicos bien anotados es la capacidad de construir IA explicable (XAI) sistemas. Estos modelos pueden proporcionar superposiciones de mapas térmicos o visualizaciones de cuadros delimitadores para explicar por qué se ha marcado un producto. Esta transparencia aumenta la confianza y ayuda a los operadores humanos a verificar rápidamente las sugerencias de la IA.

Imagine un escenario en la fabricación aeroespacial en el que un modelo de IA destaque una anomalía térmica cerca de una junta del fuselaje. Con datos de entrenamiento anotados, el modelo puede explicar que el punto crítico perfil de forma, dispersión e intensidad coincide con los defectos de aislamiento conocidos de los ejemplos anteriores. Ese es el poder de la anotación: enseña a los modelos no solo a detectar problemas sino entenderlos en su contexto.

Cómo desbloquear el poder predictivo

Con suficientes datos anotados a lo largo del tiempo, los sistemas de IA pueden evolucionar desde controles de calidad en tiempo real a mantenimiento predictivo y optimización. Por ejemplo:

• Identificación de microanomalías recurrentes que preceden a las fallas importantes
• Aprender la firma térmica de las herramientas desgastadas
• Reconocer los cambios ambientales que afectan a las lecturas térmicas (por ejemplo, la humedad o el flujo de aire)

Por lo tanto, los conjuntos de datos térmicos anotados no son solo para la capacitación de modelos, sino que son fundamentales para crear sistemas de fabricación más inteligentes y resilientes que aprender y adaptarse a lo largo del tiempo.

Aplicaciones del mundo real: donde la temperatura se une a la anotación

Electrónica: detección de componentes sobrecalentados

En la producción de placas de circuito impreso (PCB), las ligeras variaciones térmicas pueden indicar uniones de soldadura deficientes o cortocircuitos. Al anotar las áreas con defectos conocidos en las imágenes térmicas, los sistemas de IA aprenden a detectar:

• Articulaciones frías
• Consumo de corriente excesivo
• Patrones de calentamiento asimétricos

Las imágenes térmicas asistidas por IA ayudan a detectar problemas de forma temprana, lo que reduce las tasas de devoluciones y reprocesamiento.

Fabricación de automóviles: pastillas de freno, motores y más

Las inspecciones térmicas son cruciales para identificar:

• Uniformidad de las pastillas de freno
• Rendimiento de refrigeración del motor
• Sobrecalentamiento del módulo de la batería (especialmente en vehículos eléctricos)

Cuando las anotaciones resaltan los rangos de temperatura esperados, los modelos de IA pueden detectar cuándo los componentes están fuera de la tolerancia.

Alimentación y farmacia: cadena de frío e integridad de los sellos

La visión térmica garantiza el cumplimiento de las normas de almacenamiento en frío y detecta fugas en los envases sellados al vacío. Los datos anotados entrenan a los modelos de IA para detectar:

• Desviaciones de temperatura en las líneas de envasado
• Sellos inadecuados basados en perfiles térmicos
• La cadena de frío se rompe durante el transporte

Explorar Recurso de Thermo Fisher sobre la inspección térmica en el sector farmacéutico para obtener más información sobre este campo en crecimiento.

Construcción y energía: monitoreo del estado de la infraestructura

Los drones térmicos y los generadores de imágenes portátiles monitorean:

• Aislamiento de techo
• Salida del panel solar
• Sobrecalentamiento del panel eléctrico

Las anotaciones ayudan a segmentar las áreas con una distribución irregular del calor, lo que permite programar el mantenimiento predictivo antes de que se produzcan costosas fallas.

Mejores prácticas de recopilación de datos: Cómo utilizar la tecnología térmica desde el principio

Incluso antes de que comience la anotación, la calidad comienza con cómo recopilas datos térmicos.

Consejos para obtener imágenes térmicas confiables:

• Utilice cámaras calibradas: Garantice lecturas consistentes en todos los entornos.
• Captura múltiples ángulos: Especialmente para formas 3D o irregulares, la variedad de ángulos contribuye a la precisión de las anotaciones.
• Controle las condiciones ambientales: Las fuentes de calor o los flujos de aire externos pueden sesgar los resultados.
• Utilice protocolos estandarizados: La misma altura, ángulo e iluminación de la cámara reduce la complejidad de las anotaciones.

La creación de un conjunto de datos térmicos controlados y repetibles hará que la anotación sea más rápida y confiable y, en última instancia, fortalecerá el rendimiento de la IA.

Estrategias de anotación que elevan la IA térmica

Una vez que se recopilan los datos, la forma en que los anota da forma al aprendizaje del modelo.

Consejos de anotación inteligentes:

• Etiqueta basada en rangos de tolerancia: Etiquete los rangos de temperatura que se desvían de los umbrales esperados.
• Usa convenciones de pseudocolor: Mapee los gradientes para una revisión humana y un reconocimiento automático más rápidos.
• Resalta patrones, no solo puntos: Anota la forma y la dispersión de las señales de calor para entrenar a los modelos sobre los patrones de difusión.
• Etiquete los datos temporales cuando sea relevante: Para las inspecciones que involucren ciclos de calefacción/refrigeración, anote en todos los marcos.

Al enseñar a los modelos cómo es el calor «normal» y «anormal», logras que tu IA sea más inteligente y resistente en escenarios del mundo real.

Edge frente a nube: ¿dónde debe realizarse el procesamiento de anotaciones térmicas?

A medida que los fabricantes amplían el uso de imágenes térmicas e inteligencia artificial, surge una decisión fundamental: donde ¿Debería producirse el procesamiento y la anotación de datos? ¿Debería estar en dispositivos periféricos locales, en la nube o en un modelo híbrido?

Cada enfoque tiene sus ventajas y desventajas, y la mejor elección depende de sus necesidades específicas de control de calidad, infraestructura, requisitos de latencia y restricciones de gobierno de datos.

Procesamiento perimetral: velocidad, autonomía y seguridad

La computación periférica implica realizar el procesamiento de datos y la inferencia de inteligencia artificial directamente en dispositivos o servidores locales cercanos a la línea de producción. En el caso de las anotaciones térmicas y los controles de calidad, esto significa que la detección de defectos puede ocurrir en tiempo real, sin necesidad de enviar datos a servidores externos.

Ventajas del procesamiento perimetral:

• Baja latencia: Detección y respuesta inmediatas de anomalías, fundamentales en entornos de producción de alta velocidad.
• Capacidades fuera de línea: Sigue funcionando incluso cuando la conectividad a Internet no es fiable o no está disponible.
• Privacidad de datos y cumplimiento: Especialmente importante en los sectores regulados, como el farmacéutico, el aeroespacial y de defensa, donde los datos térmicos pueden ser confidenciales.
• Eficiencia del ancho: Solo las excepciones o los marcos marcados se pueden enviar a la nube, lo que reduce la carga de la red.

Casos de uso:

• Una línea de envasado de alimentos de gran volumen que utiliza inteligencia artificial basada en bordes para rechazar al instante los envases mal sellados.
• Una estación de ensamblaje automotriz que utiliza la IA térmica + edge para detener las operaciones si una pinza de freno supera la tolerancia a la temperatura.

Limitaciones:

• Limitaciones de hardware para el entrenamiento profundo de modelos o el almacenamiento a largo plazo
• El mantenimiento y las actualizaciones deben gestionarse in situ
• Puede carecer de Scale AIbilidad para el reentrenamiento de modelos o el aumento de conjuntos de datos

Procesamiento en la nube: capacitación en modelos de inteligencia artificial y Scale AIbilidad

La anotación y el procesamiento basados en la nube trasladan el trabajo pesado a los servidores remotos. Esta configuración es ideal para tareas de anotación a gran Scale AI, capacitación sobre modelos de aprendizaje profundo y revisión colaborativa entre equipos o ubicaciones.

Ventajas del procesamiento en la nube:

• Scale AIbilidad: Maneja fácilmente grandes conjuntos de datos de varias fábricas o dispositivos.
• Colaboración: Las anotaciones se pueden distribuir entre los equipos o los proveedores de etiquetado, lo que mejora el rendimiento.
• Poderosos recursos informáticos: Ideal para entrenar y ajustar modelos de aprendizaje profundo con grandes conjuntos de datos térmicos.
• Control de versiones y experimentación: Es fácil probar varios modelos, estrategias de anotación o umbrales de temperatura.

Casos de uso:

• Agregar miles de escaneos térmicos de parques solares en todas las regiones para crear un modelo centralizado de detección de defectos.
• Entrenamiento de un modelo de IA de uso general mediante conjuntos de datos térmicos recopilados de varios fabricantes contratados en todo el mundo.

Limitaciones:

• Mayor latencia para aplicaciones en tiempo real
• La dependencia de Internet puede interrumpir las tuberías de inspección
• Riesgos de seguridad de los datos si no se gestionan adecuadamente (especialmente en todas las jurisdicciones)

Enfoque híbrido: lo mejor de ambos mundos

Muchas fábricas modernas adoptan un modelo híbrido: realizar una detección básica de inferencias y anomalías en el borde y, al mismo tiempo, enviar los datos seleccionados a la nube para realizar anotaciones, capacitaciones y actualizaciones de modelos.

Por ejemplo:

• Los dispositivos perimetrales detectan eventos térmicos inusuales
• Los marcos marcados se cargan en la nube para realizar anotaciones
• Los modelos actualizados se envían regularmente a los dispositivos periféricos.

Este enfoque equilibra velocidad, eficiencia y aprendizaje continuo.

Preguntas clave que debe hacerse antes de elegir

Para decidir entre el procesamiento térmico periférico, en la nube o híbrido, pregúntese:

• ¿Cuál es el retraso aceptable entre la aparición del defecto y la detección?
• ¿Las anomalías térmicas son frecuentes o raras?
• ¿Necesita etiquetar a Scale AI o en lotes controlados más pequeños?
• ¿Existen restricciones legales en torno al almacenamiento de datos térmicos?
• ¿Cuáles son los límites de su infraestructura de red y hardware?

Responder a estas preguntas le ayudará a crear una sólida línea de anotación térmica que se alinee con sus objetivos de producción y sus necesidades de cumplimiento.

Desafíos de las imágenes térmicas y la anotación

A pesar de sus ventajas, la anotación térmica presenta obstáculos únicos:

• Falta de contexto visual: A diferencia de las imágenes RGB, los marcos térmicos carecen de forma o textura, lo que dificulta la anotación.
• Límites de resolución: Los sensores térmicos de baja resolución no pueden detectar defectos finos sin combinarlos con datos de alta resolución.
• Fatiga por anotación: Revisar cientos de mapas térmicos casi idénticos puede reducir la precisión.

Las soluciones incluyen la fusión de datos térmicos con datos visuales (fusión de sensores), la creación de interfaces de usuario de anotación intuitivas y el uso de la anotación previa asistida por IA para guiar a los etiquetadores humanos.

Combinación de imágenes térmicas con sensor Fusion

La combinación de cámaras térmicas con otros tipos de datos (por ejemplo, RGB, LiDAR, vibración) enriquece los controles de calidad.

Ejemplos:

• Térmico + RGB: Detecte defectos visibles y correlacione con anomalías térmicas.
• Térmica y acústica: Encuentra piezas sobrecalentadas combinadas con sonidos inusuales.
• Temperatura y vibración: Verifique el sobrecalentamiento con la inestabilidad estructural.

Los conjuntos de datos multimodales anotados le permiten crear modelos de IA que no solo detectan las fallas, sino que las explican.

Entrenamiento de la IA con datos térmicos: ¿qué funciona mejor?

Los modelos de IA térmica generalmente se crean utilizando redes neuronales convolucionales (CNN) o arquitecturas basadas en transformadores, según la complejidad de la tarea.

Prácticas de formación comprobadas:

• Normaliza los valores térmicos en todos los marcos
• Aumente los datos con rotaciones, ruido y cambios temporales
• Entrénese previamente en RGB y, a continuación, ajuste con precisión la térmica para aprovechar los modelos básicos más grandes
• Anote pequeños conjuntos de datos, pero complételo con imágenes térmicas sintéticas

Investigadores de Laboratorio de IA de Stanford y CON CARACOL han publicado estudios de casos de éxito en los que se utilizan estos métodos en la inspección industrial.

Ampliación de la IA térmica en su fábrica

Para pasar de la fase piloto a la producción:

• Comience con una sola línea o producto: Recopile muestras térmicas en todos los lotes
• Cree una biblioteca de Ground Truth: Anota ejemplos representativos de muestras de OK y NG (no buenas)
• Entrene un modelo prototipo: Usa un set pequeño pero de alta calidad
• Prueba con comentarios del operador: Combine las sugerencias de IA con la revisión humana
• Iterar y Scale AIr: Amplíe a múltiples líneas de productos una vez que tenga confianza

Recuerde: la anotación no es una tarea que se realiza una sola vez, sino que evoluciona con el producto, las tolerancias y los desafíos de producción.

Tendencias del sector y lo que sigue 🔮

La IA térmica ya no es experimental: se está convirtiendo rápidamente en un estándar de control de calidad.

Tendencias emergentes:

• Sensores térmicos de bajo costo: Los precios están bajando, lo que hace que la térmica sea más accesible
• Procesamiento de IA en chip: Análisis térmico en tiempo real directamente en el hardware de fábrica
• Estandarización de conjuntos de datos térmicos: Una mejor evaluación comparativa conduce a mejores modelos
• Conjuntos de datos previamente anotados: Algunos proveedores ahora ofrecen bibliotecas térmicas de dominios específicos

Y quizás lo más emocionante: integración con gemelos digitales. Los datos térmicos agrupados en modelos de fábricas virtuales permiten el mantenimiento predictivo, el ahorro de energía y la optimización continua del control de calidad.

Subamos la temperatura 🔧🔥

Las imágenes térmicas y la anotación ya no son solo novedades de alta tecnología, sino que son herramientas poderosas para un control de calidad más inteligente. Al combinar los datos de temperatura con la inteligencia artificial y las anotaciones bien estructuradas, los fabricantes pueden detectar los defectos antes, responder con mayor rapidez y Scale AIr las inspecciones sin aumentar la plantilla.

Si está estudiando la posibilidad de utilizar imágenes térmicas en su fábrica, no se limite a capturar el calor: anote, modele y utilícelo para tomar decisiones en tiempo real que reduzcan los residuos, garanticen el cumplimiento y protejan la reputación de su marca.

👉 ¿Está listo para construir o Scale AIr su canalización de anotación térmica? Contactar DataVLab para empezar a crear flujos de trabajo térmicos preparados para la IA para sus necesidades de fabricación específicas.