Visión artificial industrial

La visión artificial convierte una imagen en información estructurada: qué hay, dónde está, en qué estado se encuentra. En un entorno industrial eso significa leer activos, personas, maquinaria, vehículos y zonas desde las cámaras, drones, robots y dispositivos embebidos ya desplegados en la instalación.

El calificativo industrial no es marketing. Un modelo evaluado sobre imagen limpia, bien iluminada y bien encuadrada se está evaluando sobre condiciones que una instalación en marcha no proporciona. Las instalaciones tienen niebla, deslumbramiento, focos, noche, polvo, lluvia, vibración, oclusión y cámaras montadas para grabar y no para analizar; un modelo cuyo rendimiento dependa de la ausencia de todo eso no se ha probado contra su entorno real de despliegue.

Muchas preguntas industriales no son detecciones sueltas sino cadenas de detecciones, y tratarlas como un solo paso es donde los sistemas fallan en silencio. Verificar el equipo de protección individual es el ejemplo más claro: la pregunta no es si hay un casco en el encuadre, sino si esta persona lo lleva puesto, lo que se resuelve como cadena, persona, luego cabeza, luego casco, con cada paso acotado por el anterior.

Estructurarlo así es lo que hace auditable el resultado. Cada eslabón puede comprobarse, y un fallo se localiza en lugar de ser un desacuerdo opaco con una única respuesta segura de sí misma.

La infraestructura fija es la parte de la escena que no debería cambiar, lo que la convierte en la parte donde el cambio informa. Un recipiente, un skid de válvulas, un armario, un rack de tubería, un apoyo de transporte: cada uno tiene un estado visual normal, y la desviación respecto a él, un armario abierto, un componente desplazado, una obstrucción, una pluma, es un hallazgo precisamente porque el objeto es por lo demás estático.

Las zonas funcionan al revés. Una zona se define por lo que se supone que ocurre dentro, y la pregunta es si lo que está ocurriendo se corresponde. Ambas son comparaciones contra la línea base del propio entorno, y por eso los modelos se especializan para un emplazamiento en lugar de configurarse con umbrales.

Algunas preguntas industriales exigen una magnitud y no un sí. Si hay fluido es una pregunta más débil que hasta dónde se ha propagado; si hay pulverización es más débil que cuánta y dónde. Arkania ha entregado detección de fluidos con medición de propagación en operaciones de petróleo y gas, y detección, medición y control de pulverización: un caso que varios proveedores intentaron antes de que se resolviera.

El trabajo con dron extiende el mismo principio a superficies que las cámaras fijas no alcanzan, incluido el control de avance de obra contra checklist, aplicado en trabajos de gasoducto.

Las cámaras de una instalación industrial se montaron a lo largo de muchos años, por contratistas distintos y para grabar. Son heterogéneas en marca, edad, resolución, altura de montaje e iluminación, y no se van a sustituir para acomodar un proyecto de IA.

Tomar eso como condición de partida, y no como un problema a corregir, es un requisito de diseño. La integración con los sistemas ya en operación sigue la misma regla, SCADA, OPC UA, MQTT y M2M, para que lo que produce la visión llegue al entorno de control que los operadores ya usan.

Un modelo de visión artificial vale lo que vale su ajuste al entorno que vigila, y los entornos cambian: una línea se reconfigura, una cámara se reorienta, un patio se reordena, una estación del año cambia la luz. La especialización a un emplazamiento no es, por tanto, un paso de puesta en marcha sino una propiedad del ciclo de vida.

Arkania mantiene ese ciclo en casa: modelos diseñados, desarrollados, entrenados y operados por Arkania, con propiedad sobre el código, la arquitectura y el ciclo de vida. Volver a especializar un modelo cuando el entorno se mueve forma parte de operar el sistema, no es una compra nueva.