Deep Learning aplicado a las Ciencias de la Vida

Destacado

Los estudios en laboratorios y las tecnologías para llevarlos a cabo han avanzado muchísimo en los últimos años. Uno de los grandes avances tecnológicos es el Deep Learning aplicado a la visión artificial.

En muchas aplicaciones de laboratorio es necesaria una visión suficientemente flexible como la humana para poder tomar decisiones basadas en un juicio y una experiencia. En muchos casos los problemas de calidad de imagen, de reflejos, superficies brillantes, etc. hacen muy difícil o casi imposible a los algoritmos tradicionales de visión artificial inspeccionar con precisión para detectar anomalías, siendo prácticamente imposible detectar con acierto las diferencias e ignorar características irrelevantes.

Afortunadamente los avances en el análisis de imágenes con Deep Learning han hecho posible la automatización de estas aplicaciones de forma exitosa y fiable.

Detección de defectos, clasificación, lectura de caracteres y verificación de ensamblajes

Las aplicaciones de microscopía clínica y de investigación que anteriormente requerían inspección humana se están reinventando con la aplicación de análisis de imágenes basado en el Deep Learning. Las muestras patológicas e histológicas, por ejemplo, requieren una detección y segmentación precisa de defectos a pesar de los patrones variables e impredecibles de los defectos.

Una célula cancerosa podría aparecer en varios tamaños y formas, y sus diversas formas son, en la mayoría de los casos, más diferentes de lo que son similares. Es efectivamente imposible enseñar a un sistema de inspección a identificar todas las anomalías posibles sin una programación extensa, e incluso entonces, la posibilidad de identificación falsa o de rechazo es alta. En una situación como esta, el análisis de imágenes basado en Deep Learning en modo no supervisado ofrece un modo de inspección altamente preciso y eficiente.

En una aplicación de detección de anormalidades celulares, un ingeniero utiliza imágenes de muestra de posibles anormalidades celulares, como el cáncer, para enseñar al software a conceptualizar y generalizar la apariencia normal de una célula o grupos de células. Estos portaobjetos están etiquetados como «buenos» ejemplos de células sanas y además tienen en cuenta las variantes normales de células sanas, como la mitosis. Luego, durante el tiempo de ejecución, cualquier variación se marca como anómala, marcando el daño celular. Pero esta aplicación requiere un paso más. Una vez que se marca una celda o un grupo de celdas, la región de interés particular debe segmentarse dinámicamente en tiempo real para una revisión adicional. La célula exhibe un daño potencial, después de todo, porque su apariencia se aleja de la norma, pero no es necesariamente cancerosa. Estas desviaciones pueden ser causadas por artefactos en la diapositiva.

Normalmente, una inspección humana, probablemente un patólogo, tendría que revisar este subconjunto de muestras para hacer un diagnóstico firme. Pero, de nuevo, el software basado en Deep Learning puede volver a ejecutar su algoritmo sobre las zonas objetivo del subconjunto, esta vez con reentrenamiento en modo supervisado, para analizar entre «bueno» (tolerable, no dañado) y «malo» (patológico, dañado) células.

Además, con Deep Learning también es posible la clasificación de muestras de sangre, la lectura de caracteres (OCR) en superficies transparentes, reflectantes y/o flexibles en la que los caracteres se presentan deformados y la lectura es mucho más complicada, como por ejemplo pasa en bolsas intravenosas de suero. De esta manera pueden cumplir con las normas de seguridad y llevar una correcta identificación automática de la trazabilidad.

Por otro lado, el correcto ensamblaje de las muestras para análisis (sangre, orina o tejido) en lo que se conoce como verificación previa al ensamblaje, es esencial para reducir cualquier error potencial que pueda amenazar la contaminación, mezclar o etiquetar mal los diagnósticos, o ralentizar o romper equipos costosos. Durante estas inspecciones, el sistema automatizado debe verificar que no haya tubos de ensayo desalineados o ausentes, tapas que no se hayan quitado o recipientes extraños cargados en la rejilla del analizador. La verificación de que el bastidor del equipo se ha poblado completa y correctamente implica la gestión de varios factores: los tubos y recipientes de muestra y reactivo varían según la forma, el tamaño y la dimensión del fabricante, y puede ser imposible para la máquina predecir la posición de las muestras en la plataforma.

Con estas variaciones impredecibles en las configuraciones de prueba, tiene sentido utilizar el Deep Learning para realizar la verificación de ensamblaje.

La herramienta generaliza las características distintivas de las muestras y reactivos en función de su tamaño, forma y características de superficie y aprende su apariencia normal, así como su ubicación general en los bastidores o microplacas de la plataforma. De esta manera, el Deep Learning es capaz de automatizar y resolver una aplicación que antes era difícil de programar de una manera rápida, altamente precisa y fácil de implementar.

Aquí puedes ver una pequeña demostración de como la visión Deep Learning resulve fácilmente aplicaciones de localización, contaje y clasificación en un laboratorio.

Si quiere más información sobre los productos de DEEP LEARNING que disponemos en Bcnvision visita www.bcnvision.es y contacta con nosotros a través del formulario de contacto.

¡Si te gusta el artículo, compártelo!

VERIFICADORES DE CÓDIGO

Destacado

Los códigos de barras son patrones que se ponen es productos, piezas y packaging que aportan algún tipo de información.

Podemos encontrarnos con información de marketing, con códigos QR que te llevan a una web, a una promoción, concurso, etc. Informativos con códigos de barras que aportan información sobre el país de procedencia/fabricación, el nombre de la empresa que fabrica el producto, el número de identificación, el código de verificación, etc. o también pueden contener información sobre la propia trazabilidad del producto, su ciclo de vida dentro del proceso productivo, la lectura de los cuales aporta un control de seguimiento que asegura una correcta cadena de suministro y áreas de producción.

¿Qué es un verificador de códigos y qué beneficios tiene?

Un verificador es una cámara capaz de calificar la calidad de los diversos códigos 1D, 2D y DPM basados en una norma como, por ejemplo, en la norma ISO. Los verificadores asignan una calificación basada en varios parámetros de calidad establecidos. Estos dispositivos alertan a los productores de defectos en los códigos, identificando la problemática, evitando errores de fabricación, paradas en la producción, devoluciones e incluso multas. La detección de una disminución de calidad en los códigos y su rápida solución evita grandes incidencias y reducción de costes además de poder cumplir con los requisitos de calidad que se exigen por ley. Además, la mayoría del software de verificación también comprueba que los datos del código de barras estén formateados de acuerdo con el estándar de aplicación para una industria específica.

¿Cuándo necesitamos realizar una verificación de códigos?

Si queremos reducir o eliminar los costes que genera la utilización de un mal código, como productos o empaques desperdiciados, la reimpresión de los códigos o las devoluciones, los verificadores de códigos son ideales para comprobar la continua calidad de sus códigos. Pero si además hablamos de códigos en productos de industrias reguladas, como son:

– Sector médico o farmacéutico – Sector del automóvil – Aeroespacial – Packaging – Impresión

entre otros, y necesita producir informes que deba imprimir o exportar para demostrar y confirmar que la calidad de los códigos es la que le exigen, los verificadores pasan a ser indispensables en su cadena de producción.

Diferencias entre lectores de códigos y verificadores

Los lectores de códigos escanean los códigos y los traducen en dígitos alfanuméricos en los que se incluye la descripción del artículo, la cantidad de artículos en stock y el precio y se envía a una base de datos donde se almacena. En general podríamos decir que los lectores de códigos nos indican que han podido realizar con éxito la lectura del código y nos aportan toda la información que llevan, pero no garantiza la calidad de éste.
Es decir, que los lectores de códigos de barras se utilizan para leer códigos y los verificadores de códigos de barras se utilizan para clasificar la calidad de los códigos. Los verificadores garantizan que los códigos cumplan con el umbral de calidad de la industria, más que de un productor individual. Son una medida superior de legibilidad de símbolos dado que normalizan el rango de rendimiento entre varios tipos de lectores, desde lectores láser hasta lectores basados en imágenes.

El proceso de verificación es muy distinto a leer un código:

  1. El verificador debe ser calibrado. Las tarjetas de calibración contienen símbolos con imperfecciones intencionadas y se utilizan para controlar las capacidades de informar del verificador y para documentar la conformidad con estándares de la industria, tales como especificaciones ISO/IEC 15415. 
  2. Los estándares de la industria determinan el tipo de arreglos de iluminación permitidos, generalmente una variación de 30, 45, 90 grados e iluminación de domo. 
  3. A los verificadores les lleva más tiempo analizar un código y generar más datos que un lector. Miden parámetros de calidad diferentes como contraste de símbolos, modulación, defectos y legibilidad, al final producen una clasificación (generalmente de la A a la F). Se pueden imprimir o exportar informes para demostrar el cumplimiento de los estándares de calidad.

¿Mi «verificador» es un verificador?

Cinco preguntas clave que ayudan a determinar si un verificador cumple con su definición técnica:

  1. ¿Hay un procedimiento/rutina de calibración adjunta integrada en el dispositivo?
  2. ¿Tiene las posiciones de iluminación precisas establecidas en las normas ISO 29158 (AIMDPM), ISO 15415 o ISO 15416?
  3. ¿Genera un informe que califique códigos con un grado y una disposición óptica (incluyendo ángulo de iluminación, longitud de onda de la luz y tamaño de la abertura)?
  4. ¿Valida que los datos dentro del código estén formateados correctamente?
  5. ¿Produce resultados repetibles?

Saber más sobre el Verificador 475V de Cognex.

Visita nuestra web www.bcnvision.es y contacta con nosotros.

¡Si te gusta el artículo, compártelo!

SATUERCA – Cero defectos con visión artificial Bcnvision

Es un placer presentarles el caso de éxito del grupo Satuerca, en la que Bcnvision desarrolló unas soluciones sobre inspección de piezas para el sector del automóvil.

SAT nació en 1966 en Durango como Sociedad Anónima de Tuercas. Hoy en día son especialistas en la producción de piezas especiales destinadas principalmente a la industria automovilística y se compone por 3 empresas con 2 plantas en España y una en Rumanía. Estamcal es la encargada de la forja y tratamientos térmicos.

En 1998 se creó Mecanifran a unos 3km de Estamcal para poder ofrecer el proceso de mecanizado y así poder aportar mayor valor añadido a sus clientes. En 2007 se fundó Actiro, con planta en Rumanía, con el objetivo de mecanizar piezas para los clientes en esa región. La compañía destaca por los medios de fabricación de sus máquinas de foja Hatebur, hornos para varios tratamientos térmicos y sofisticadas máquinas para la mecanización de piezas en grandes series. Habitualmente se trabaja con forja vertical, en Satuerca forjan con máquinas especiales, que por el hecho de ser horizontales consiguen mayor velocidad de fabricación. Las máquinas de forja verticales pueden trabajar entre 15 y 45 golpes por minuto y en el grupo disponemos de máquinas que trabajan hasta con 180 golpes por minuto. Principalmente fabrican: anillos de rodamiento, engranajes para cajas de cambio, núcleos de embrague, tuercas de conjunto y levas, aunque también fabrican otro tipo de piezas que no son del automóvil. Miden la calidad de los productos y controlan la trazabilidad de ellos, garantizando cero defectos en las piezas entregadas a sus clientes y Bcnvision ha puesto su grano de arena en esta labor. Concretamente en el control superficial y dimensional en piezas de forja con visión 2D y 3D.

Bcnvision entra en escena como partner de Satuerca en el año 2009, con una propuesta atrevida y ambiciosa para el momento, que les ha traído a ambas compañías una gran satisfacción por la buena colaboración y un mejor resultado. Las soluciones desarrolladas por Bcnvision consisten en la inspección de diferentes tipos de piezas en las que detectan golpes en caras y aristas, faltas de llenado y realiza el análisis dimensional al mismo tiempo. Ambas instalaciones comienzan en una estación con cámaras 2D de Cognex de alta resolución y con iluminación a contraluz que envían las coordenadas exactas a varios robots Staübli, para recoger las piezas y llevarlas a la siguiente estación.

En la estación láser, nos encontramos con 3 escáner Smart Ray que inspeccionan, a través de visión 3D, la superficie de la pieza con 0,1 milímetro de precisión. Dos de ellos inspeccionan la parte superior e inferior de forma fija, y el tercero, inspecciona la denominada “banda de rodadura” que es el lateral de la pieza. Todo ello mientras que la pieza realiza un giro de 360º sobre sí misma. Para conseguir la información del giro de la pieza, las cámaras adquieren línea a línea todo el perímetro de la misma. Dicha información de giro es gestionada por un encoder. Permiten analizar hasta 5 tipos de defectos distintos en menos de 1 segundo de tiempo de análisis. También analiza dimensionalmente la pieza en el mismo tiempo para verificar que las dimensiones del perfil sean las correcta. Esta misma aplicación está adaptada a diferentes formatos de piezas.

El resultado: piezas perfectas y clientes satisfechos! En Bcnvision estamos orgullosos de formar parte en casos de éxito como en este, gracias por confiar en Bcnvision.

Si le interesa descargar el caso de éxito escrito visite nuestra web.

¡Si te gusta el artículo, compártelo!

Deep Learning, en el punto de mira de la visión artificial

Cuando hablamos de Inteligencia Artificial, Machine Learning o Deep Learning creemos que son conceptos futuristas que están por venir, nada más lejos.                          Desde los años 50 se trabaja en modelos matemáticos asociados a estas tecnologías, pero es ahora, gracias al Big Data, la digitalización, el abaratamiento de los dispositivos de almacenamiento, las mejoras de hardware que permiten procesos en paralelo a mucha velocidad y a modelos matemáticos en redes neuronales (backpropagation,…) que se ha creado el cóctel perfecto que hace posible sacarlas del laboratorio, para convertirlas en una realidad que ya está aquí. El Big Data proporciona el poder de recopilar datos masivamente, relacionarlos entre ellos, gestionarlos, procesarlos y analizarlos con el fin de sacar conclusiones. Ahora es, cuando existen tecnologías capaces de procesar innumerables cantidades de datos para convertirlas en información, que faciliten la toma de decisiones de forma rápida.                      Queremos máquinas sin necesidad de preprogramarles reglas para las infinitas variables que pueden aparecer en el mundo real, pretendemos que aprendan a través de la experiencia. El Machine Learning se ocupa de esto, de dotar a las máquinas de capacidad de aprendizaje. Dentro del Machine learning, y centrándonos en las redes neuronales aparece el concepto de Deep Learning. Las redes neuronales artificiales aprenden de forma jerarquizada, por niveles de capas. Cuantas más capas tengamos, más complejos resultan los algoritmos de procesamiento. Este incremento en el número de capas y su complejidad, es lo que hace que estos algoritmos sean conocidos como algoritmos de Deep learning.                                                            Para ver la diferencia entre un sistema de visión tradicional versus un sistema basado en Machine Learning y Deep Learning, pondremos como ejemplo la lectura de caracteres en visión artificial, lo que denominamos OCR. El software de visión tradicional requiere una serie de bibliotecas de patrones y plantillas que contienen todos los posibles caracteres para reconocer de una foto, una A como una letra. Pero los algoritmos se vuelven poco manejables cuando crecen las bibliotecas de excepciones y defectos.

Deep Learning Lectura caracteres

Lectura de caracteres con tecnología Deep Learning

El sistema de visión con Deep Learning es capaz de leer una A aunque la etiqueta esté doblada, medio borrada o con ruido y solo pueda verse un 30%. Aun así, será capaz de conceptualizar y generalizar la apariencia de los caracteres basado en sus características distintivas, incluso cuando éstas varían sutilmente o a veces se desvíen. Reconocerá correctamente la letra o el número, gracias a las capas de algoritmos integrados en su red neuronal que le permite sacar sus propias conclusiones.

Actualmente ya convivimos con la tecnología Deep Learning, por ejemplo en el reconocimiento de voz, facial y de texto de nuestros móviles y otros dispositivos, incluso tenemos vehículos que circulan solos sin necesidad de la mano humana.            El futuro está aquí y esta tecnología ya está migrando hacia procesos de fabricación avanzada y visión artificial. Disponer de un software de análisis de imagen basado en Deep Learning nos ofrece soluciones a retos de visión complejos, que anteriormente no podía realizarse con visión tradicional o que requerían una cantidad de recursos y dispositivos que no hacían viable la solución.                                                            Ahora es posible distinguir defectos impredecibles al mismo tiempo que tolerar variaciones naturales en patrones complejos. Además, estos pueden adaptarse rápidamente a nuevos ejemplos sin necesidad de reprogramar sus algoritmos principales.

Logo Deep Learning Cognez ViDiVisionPro ViDi es el primer software de análisis de imágenes industrial basado en Deep Learning y es ideal para:

    • Detección de defectos complejos
    • Clasificación de textura y materiales
    • Verificación de montajes y localización de piezas deformadas
    • Lectura de caracteres, incluida la impresión distorsionada

Por ejemplo, Cognex ViDi simplifica la inspección automática de complejos patrones de tejido, incluidos el cruzado, el tejido, el trenzado, el acabado e impreso. Como no requiere un tedioso desarrollo de software, el algoritmo de software se entrena con un conjunto de buenas muestras ya conocidas, para crear sus modelos de referencia. La inspección identifica e informa las áreas defectuosas en la tela, mientras que tolera variaciones grandes pero irrelevantes en su apariencia.

¿Cómo funciona Cognex ViDi?

Deep Learning Entrenamiento

Implementación del Cognex ViDi

Existen sistemas de visión basados en Deep Learning que trabajan con miles de imágenes de procesamiento, lo que implica la necesidad de un procesador muy potente. El Software de ViDi se entrena con un número inferior de imágenes, adaptándose a la potencia de procesador habitual de los PCs que se utilizan en el entorno industrial, ya que solo requiere una GPU.                                                         En el periodo de entrenamiento supervisado cargamos un grupo de imágenes etiquetadas (buenas y malas) de una manera similar a como formaríamos a un inspector humano, enseñándole al sistema para reconocer defectos explícitos.        Para defectos que se presentan en múltiples formas, el sistema se entrena a sí mismo en modo no supervisado. Aprende la apariencia normal de un objeto, incluidas sus variaciones considerables pero que decidimos como buenas. El software crea su modelo de referencia basándose en estas imágenes representativas.                          Se trata de un proceso iterativo de mejora constante, durante el cual los parámetros pueden ajustarse y el resultado se valida hasta que el modelo funcione como se desee. Durante el tiempo de ejecución, ViDi extrae datos de un nuevo conjunto de imágenes y sus redes neurológicas localizan las piezas, extraen anomalías y las clasifica.          Otro aspecto importante, es que podemos hacer que el sistema vaya aprendiendo a medida que vamos trabajando con él. De una forma muy sencilla, es posible añadir nuevas imágenes que modifican el modelo entrenado haciendo posible la adaptación a nuevos cambios o nuevas características que no existían previamente.

ViDi funciona con imágenes de alta resolución, incluidas térmicas y a color, para reconocer prácticamente cualquier anomalía. También realiza recuentos complejos y descifra caracteres deformados y difíciles de leer. Cognex ViDi permite a empresas de muchos sectores crear sistemas de inspección innovadores que sobrepasen los límites de la visión artificial. ViDi está disponible con el software de visión artificial VisionPro y Cognex Designer, lo que ofrece a sus clientes una capacidad única para mezclar y combinar herramientas en una aplicación.

Las herramientas para localización, caracterización, clasificación y lectura de caracteres, trabajan de forma independiente o se pueden combinar con otras herramientas de visión de Cognex para abordar retos complejos de visión .

4 HERRAMIENTAS, 4 SOLUCIONES

      1. ViDi Blue-Locate | Localiza características

Deep Learning Herramienta Locate

Encuentra rasgos o elementos complejos

ViDi Blue-Locate encuentra características y objetos complejos aprendiendo a partir de imágenes con anotaciones. Los algoritmos de autoaprendizaje pueden localizar piezas, contar frascos médicos de vidrio translúcido en una bandeja y realizar controles de verificación de montaje en kits y paquetes.

2. ViDi Red-Analyze | Detecta anomalías y defectos estéticos

Deep Learning Herramienta Analyze

Detecta anomalías o defectos estéticos.

Segmenta los defectos u otras regiones de interés con tan solo aprender las variaciones en la apariencia de la zona de interés. ViDi Red-Analyze puede identificar rayones en superficies complejas, conjuntos incompletos o incorrectos, e incluso problemas de tejido en textiles simplemente mediante el aprendizaje de la apariencia normal de un objeto, incluidas sus variaciones significativas pero tolerables. Esta herramienta es capaz de detectar defectos que con visión convencional serían muy difíciles de detectar y complejos de programar.

3.ViDi Green-Classify | Clasifica objetos o escenas

Clasifica objetos y/o escenas

ViDi Green-Classify separa diferentes clases de una colección de imágenes etiquetadas. Al prepararse para tolerancias aceptables, puede identificar productos en función de sus empaques, clasificar la calidad de la costura de soldadura y separar las anomalías aceptables o inaceptables.

      4.ViDi Blue-Read | Lee texto y caracteres

Lee texto y caracteres

ViDi Blue-Read descifra códigos deformados, torcidos y/o mal grabados mediante el uso de reconocimiento óptico de caracteres. El sistema utiliza redes neuronales para la identificación de los caracteres, permitiendo un incremento sustancial en el porcentaje de acierto respecto al OCR convencional. La biblioteca de fuentes entrenada previamente, puede identificar la mayoría de los textos sin programación o identificar fuentes adicionales para una implementación rápida y fácil. Esta sólida herramienta puede entrenarse para adaptarse a los requisitos específicos de aplicación «OCR». No se requiere experiencia en visión.

¿Cuándo usar visión artificial tradicional o Deep Learning?

La elección entre la visión artificial tradicional y el Deep Learning depende del tipo de aplicación, de la cantidad de datos que se estén procesando y de las capacidades de procesamiento. De hecho, el Deep Learning no es la solución adecuada para todas las aplicaciones. Las tecnologías de programación tradicionales basadas en reglas son mejores para calibrar y medir, así como para realizar una alineación precisa. En algunos casos, puede que la visión tradicional sea la mejor opción para medir con precisión una región de interés, y el Deep Learning para inspeccionar esa región. El resultado de una inspección basada en el Deep Learning puede pasarse a la visión tradicional para tomar medidas precisas del tamaño y la forma del defecto.

En la siguiente imagen se identifica las aplicaciones más adecuadas para la visión artificial tradicional y para los enfoques basados en el Deep Learning, incluidas las apropiadas para ambas.

¿Tiene alguna aplicación compleja que no puede solucionar con visión artificial tradicional y cree que en el Deep Learning podría estar la clave para resolverlo?

En Bcnvision estamos preparados para combatir los retos más complejos de visión artificial. Le asesoramos y acompañamos en todo el proceso hasta encontrar el sistema de visión que más se adapte a sus necesidades y requerimientos. Ponemos a su disposición el avance tecnológico que ofrece el Deep Learning de mano de Cognex ViDi.

¿Quiere realizar una prueba?

Consúltenos en https://bit.ly/2tafW82                                                              www.bcnvision.es

¡Si te gusta el artículo, compártelo!

Bcnvision, premio Cognex al mejor servicio técnico a nivel europeo

El 12 y 13 de abril tuvo lugar la celebración del Cognex Partner Award 2018 en Budapest. Durante el evento, la multinacional Cognex líder en visión artificial premió a sus distribuidores oficiales en Europa por el desempeño realizado.

Bcnvision fue galardonado con el premio a la excelencia al mejor servicio y soporte técnico a nivel europeo.

Un año más Cognex reafirma su confianza en Bcnvision como partner especialista en sistemas de visión artificial, gracias a un equipo técnico experimentado y comprometido que representa el 60% de su platilla y a los buenos resultados obtenidos gracias a la integración de nuevas plataformas de gestión de incidencias y asistencia remotas.

Bcnvision continúa creciendo año tras años gracias a la labor de su equipo y a la confianza de sus clientes. Actualmente, cuenta con una plantilla de más de 38 personas y delegaciones en Barcelona, Bilbao y Vigo.

 

 

¡Si te gusta el artículo, compártelo!

Nueva serie DataMan 470 de Cognex: Lectores de códigos de barra con potente rendimiento

Cognex amplía su gama de lectores de código de barras con la nueva serie DataMan 470. Estos nuevos lectores de montaje fijo resuelven las aplicaciones más desafiantes de fabricación y logística con un alto rendimiento.

Dataman 470 de Cognex

La potencia de procesamiento multinúcleo, la tecnología de imágenes, el sensor de alta resolución, los algoritmos avanzados de decodificación y la configuración sencilla del DataMan 470 permiten una amplia lectura de simbología de códigos, a una gran velocidad y con facilidad de uso.

Rápido y el potente rendimiento resuelve aplicaciones desafiantes

El lector de códigos de barras DataMan 470 tiene siete poderosos multiprocesadores, lo que permite ejecutar múltiples algoritmos y procesos en paralelo a velocidades sorprendentes. Lee códigos 1D y 2D, así como diferentes simbologías mixtas simultáneamente, manteniendo las mayores tasas de decodificación.

La tecnología avanzada mejora el rendimiento y la trazabilidad

La tecnología de imagen innovadora del DataMan 470 proporciona una amplia lectura de simbología de códigos a una velocidad sin precedentes, permitiendo una mayor variación del proceso y menores costes. Mejora la calidad de imagen de los códigos 1D y 2D y lee códigos de barras que no son visibles para los lectores convencionales.

La serie DataMan 470 está optimizada con algoritmos patentados para garantizar índices de lectura continuamente altos de simbologías 1D y 2D, independientemente del tamaño, la calidad, el método de impresión o la superficie.

  • 1DMax con tecnología Hotbars.
  • 2DMax con tecnología PowerGrid.

Fácil configuración y retroalimentación del proceso para una producción óptima

La herramienta de configuración de DataMan proporciona una instalación paso a paso para una configuración fácil y eficiente. La serie DataMan 470 incluye Gigabit Ethernet para una rápida transferencia de imágenes con alta resolución y la herramienta de configuración pueda diagnosticar la causa de los códigos no leídos. Cognex Explorer Real Time Monitoring (RTM) facilita monitorear el rendimiento de los lectores de códigos de barras DataMan para optimizar los procesos de producción.

¡Si te gusta el artículo, compártelo!

Bcnvision mostró las últimas soluciones de visión artificial en Advanced Factories 2018

En la gran cita industrial Advanced Factores 2018 que se celebró del 13 al 15 de Marzo en Barcelona, Bcnvision participó como expositor y presentó las últimas novedades de visión artificial industrial.

La feria Advanced Factories ha cerrado su segunda edición con más de 12.000 asistentes y se presentaron las últimas innovaciones en máquina-herramienta, robótica, automatización industrial y tecnologías de la industria 4.0.

Entre las novedades que Bcnvision presentó en Advanced Factories, destacó la solución Bin Picking para la recogida de piezas aleatorias en un contenedor, una potente solución que permite al robot trabajar no sólo con la coordenada de recogida sino con los datos de toda la trayectoria, para evitar las colisiones.

Otra novedad que presentó Bcnvision en la feria, es el escáner 3D PhoXi® de Photoneo, basado en la tecnología de luz estructurada permite reconstrucciones 3D rápidas y precisas. Este robusto escáner obtiene la nube de puntos con una resolución de 3,2 millones de puntos en cada escaneo.

De igual forma, Bcnvision realizó demostraciones en vivo de los nuevos dispositivos y herramientas Cognex como el perfilador láser o la potente herramienta SurfaceFX para la inspección superficial de piezas. También, expuso las tecnologías de identificación industrial como los lectores Dataman de Cognex y el potente sistema Trevista para la inspección de superficies complejas.

Durante la celebración de la feria, David Torres y David Cervilla, CEO de Bcnvision y Responsable de Innovación y nuevas tecnologías respectivamente, realizaron la ponencia sobre las “Tecnologías de visión artificial avanzando hacia la industria 4.0” y explicaron en detalle sobre las últimas innovaciones para la automatización industrial como el software Kapture de la empresa Tecnomatrix para la gestión de calidad (sistemas de visión artificial en la nube), la solución Bin Picking y la inspección automatizada para el control de soldadura “WeldVision”.

Para concluir, durante la última jornada de la feria en el Talent Market Place, un espacio especializado para captar talento profesional. Montse Sagré, Jefa de Recursos Humanos de Bcnvision profundizó en los perfiles profesionales más solicitados en el sector de la visión artificial industrial.

¡Si te gusta el artículo, compártelo!

In-Sight Explorer, el potente software de visión de Cognex

In-Sight Explorer de CognexCognex, líder en visión artificial, incluye para toda la gama de sus productos In-Sight el potente software In-Sight Explorer. La capacidad de este software es inigualable, permite controlar aplicaciones de inspección de piezas, combinando una Sigue leyendo

¡Si te gusta el artículo, compártelo!

Beneficios de la visión artificial y la automatización de procesos

beneficios visión artificialLa visión artificial se utiliza prácticamente en todas las industrias de fabricación para la inspección total de la producción, mejorar la calidad del producto, incrementar la productividad, reducir los costes de producción y cumplir con los exigentes estándares de calidad de algunos sectores como la industria farmacéutica. Sigue leyendo

¡Si te gusta el artículo, compártelo!

La importancia del ESD y cómo solucionarlo

esdEl ESD es un fenómeno electrostático que hace que circule una corriente eléctrica repentina y momentáneamente entre dos objetos de distinto potencial eléctrico. Es una amenaza costosa y peligrosa para una amplia gama de productos ya que puede dañar dispositivos electrónicos, provocar explosiones o incendios en entornos inflamables y causar fallos en los datos. Sigue leyendo

¡Si te gusta el artículo, compártelo!