ABB integra la tecnología de aprendizaje profundo de LandingAI para simplificar la visión artificial en RobotStudio
ABB ha establecido una alianza estratégica con LandingAI para integrar capacidades nativas de visión por computadora directamente en su entorno de simulación RobotStudio. Al incorporar la plataforma de aprendizaje profundo LandingLens, la empresa colaborativa ofrece una sólida arquitectura de visión artificial sin código capaz de automatizar la categorización compleja de piezas, la clasificación de artículos de alto volumen y las inspecciones avanzadas de defectos de superficie. Este enfoque unificado elimina las barreras de programación técnica, prometiendo comprimir los ciclos de desarrollo y puesta en marcha de los sistemas de visión tradicionales hasta en un 80%.
Las implementaciones convencionales de visión artificial dentro de la infraestructura de automatización industrial suelen depender del procesamiento algorítmico basado en reglas. Los integradores de sistemas deben establecer manualmente umbrales de densidad de píxeles, tolerancias geométricas y configuraciones de iluminación estrictas para identificar características físicas o confirmar la precisión dimensional. Aunque son muy eficaces para el seguimiento estructural estandarizado, estas plataformas deterministas tienen dificultades con las variaciones orgánicas, las texturas de la superficie y los defectos impredecibles. Al pasar a un motor de inspección impulsado por IA, los equipos de ingeniería pueden pasar de las rígidas restricciones de programación a una metodología intuitiva basada en el entrenamiento, en la que el software aprende de forma independiente a diferenciar los productos conformes del material defectuoso basándose en ejemplos visuales.
A través de esta profunda integración dentro de las capacidades de gemelo digital de RobotStudio, los ingenieros de automatización pueden configurar y validar flujos de trabajo de visión inteligente junto con trayectorias cinemáticas antes de implementar activos físicos en las líneas de producción. La inclusión de modelos de datos especializados y preentrenados permite a los operadores entrenar el sistema de inspección visual con un mínimo de muestras de imágenes, lo que acelera los ciclos de implementación para configuraciones de fabricación flexibles. Esta alineación nativa del software evita los cuellos de botella de integración a menudo asociados con la vinculación de cámaras inteligentes de terceros a CPU de controladores ABB discretos o a redes industriales más amplias, lo que garantiza una menor latencia y una sincronización de hardware más fiable.
El impacto práctico de este desarrollo abarca una amplia gama de operaciones de logística y manipulación de materiales. En aplicaciones de cumplimiento de alta velocidad, los robots guiados por visión pueden manejar la recogida aleatoria de artículos y tareas de despaletizado automatizadas sin necesidad de accesorios rígidos para las piezas. El sistema inteligente reconoce dinámicamente las variaciones en la geometría y orientación del embalaje, transmitiendo continuamente datos de posición actualizados al bucle de control del robot. Para las instalaciones que utilizan arquitecturas de supervisión centralizadas como la plataforma System 800xA, este enfoque integrado proporciona análisis de calidad profundos y métricas de inspección visual, maximizando la eficiencia general de los equipos y optimizando el rendimiento en toda la planta.
A medida que las cadenas de suministro modernas exigen una mayor flexibilidad de fabricación personalizada y estándares de control de calidad más estrictos, la intersección del aprendizaje profundo y la robótica industrial se convierte en un activo operativo fundamental. Eliminar la necesidad de una codificación de visión especializada y costosa permite a los fabricantes adaptarse rápidamente a nuevas variantes de productos y cambios de producción. Esta integración representa un cambio significativo hacia la automatización accesible definida por software, lo que permite a las pequeñas y medianas empresas implementar sistemas avanzados de inspección visual sin la sobrecarga de ingeniería tradicional.
Escrito por Nicholas Sterling, ingeniero sénior de sistemas mecatrónicos con más de catorce años de experiencia en el campo optimizando trayectorias cinemáticas de alta velocidad, configurando redes de servo multieje distribuidas y desarrollando efectores finales robóticos personalizados para empresas globales de embalaje y logística.