En la indústria moderna, la detecció primerenca de defectes en superfícies metàl·liques, circuits impresos o components electrònics és un factor crític per garantir la qualitat del producte final. Tradicionalment, els sistemes de visió artificial requereixen grans volums de dades etiquetades per entrenar models de deep learning capaços d' identificar anomalies. Tanmateix, en entorns de producció reals, obtenir milers d' imatges etiquetades de cada tipus de defecte resulta costós i, sovint, inviable. Aquí és on cobra rellevància l'aprenentatge amb pocs exemples (few-shot), una disciplina que busca obtenir un rendiment acceptable amb a penes 5, 10 o 20 imatges per classe. Recentment, una innovadora tècnica anomenada augment geomètric guiat per firma de ruta (RPS-GA) ha demostrat que és possible millorar dràsticament la detecció de defectes industrials sense necessitat de redissenyar el detector ni recórrer a complexes estratègies de meta-aprenentatge.
L'enfocament tradicional per a la detecció de defectes es recolza en detectors supervisats com YOLOv8, que funcionen bé quan hi ha abundants dades, però pateixen una caiguda notable en escenaris de baixa supervisió. La raó principal és que els defectes industrials solen manifestar-se com a vores o condorns fins, difícils de modelar amb anotacions escasses. La solució proposada utilitza les signatures de ruta de segon ordre, un concepte procedent de l' anàlisi de dades de camins, per extreure informació geomètrica dels contorns obtinguts mitjançant l' algoritme Canny. En lloc de tractar les vores com a píxels independents, esdevenen trajectòries ordenades en el plànol, i es calcula la seva signatura truncada, especialment el terme antisimètric conegut com a àrea de Lévy. Aquest valor s' agrega en un mapa espacial que ressalta les estructures relacionades amb les vores, i es fusiona amb les característiques de la imatge original mitjançant operadors com SIG-AUG o SGAA.
Els resultats experimentals sobre els conjunts de dades NEU-DET (defectes en acer) i PCB-Defect (defectes en plaques de circuit imprès) són contundents. Amb només 10 imatges per classe, el detector YOLOv8n augmenta el seu mAP@0.5 de 0,341 a 0,583 en NEU-DET utilitzant SIG-AUG, i en PCB-Defect passa de 0,086 a 0,299 amb SGAA. En el cas extrem de 5 dispars, el base no arriba a detectar cap defecte, mentre que el mètode amb augment geomètric aconsegueix resultats utilitzables. Aquestes millores es mantenen en avaluacions amb múltiples llavors aleatòries, demostrant robustesa. El més rellevant és que no es modifica l' arquitectura del detector, només s' enriqueix l' entrada amb informació geomètrica addicional, la qual cosa facilita la seva integració en sistemes existents.
Per a una empresa com Q2BSTUDIO, especialitzada en el desenvolupament d'intel·ligència artificial per a empreses, aquesta tècnica representa una oportunitat clara d'aplicació. La capacitat d' entrenar models amb poques imatges redueix dràsticament els costos d' etiquetatge i accelera la posada en producció de sistemes de control de qualitat. A més, l' enfocament és compatible amb detectors estàndard, la qual cosa permet integrar-lo en solucions de programari a mida sense necessitat de redissenyar tota l' arquitectura. Q2BSTUDIO ofereix serveis de consultoria i desenvolupament en visió artificial, utilitzant tecnologies com serveis cloud AWS i Azure per escalar el processament d'imatges, i Power BI per visualitzar dashboards de qualitat en temps real. També es poden implementar agents IA que monitoritzin automàticament les línies de producció i activin alertes davant la detecció d' anomalies.
Des d'una perspectiva empresarial, l'adopció de tècniques d'augment geomètric guiat per firma no només millora la precisió, sinó que també aporta robustesa enfront de variacions en la il·luminació, l'orientació o l'escala dels defectes. Això és especialment valuós en indústries com l'automotriu, l'electrònica o la metalmecànica, on els estàndards de qualitat són extremadament exigents. A més, en requerir pocs exemples, es pot entrenar un model per a un nou tipus de defecte en qüestió d'hores, en lloc de setmanes. La intel·ligència artificial aplicada a la detecció de defectes ja no és un luxe, sinó una necessitat competitiva.
L' ús de firmes de ruta no és desconegut en l' àmbit de l' anàlisi de sèries temporals, però la seva aplicació a imatges de vores és innovadora. En tractar els condorns com a camins, es captura informació sobre la curvatura, la direcció i la simetria que els mètodes convolucionals tradicionals passen per alt. Els operadors SIG-AUG i SGAA actuen com a ponts, fusionant aquesta informació geomètrica amb les característiques d' alt nivell extretes per la xarxa. El resultat és un model que pot distingir entre una aranya i una taca amb molt pocs exemples, una cosa que abans requeria desenes o cents d'imatges.
Per a les empreses que busquen implementar solucions d'inspecció visual avançada, comptar amb un soci tecnològic com Q2BSTUDIO marca la diferència. Els seus serveis abasten des del disseny d' aplicacions a mida per a la captura i processament d' imatges fins a la integració amb sistemes MES o ERP. També ofereixen ciberseguretat per protegir les dades sensibles de producció i evitar que atacs informàtics comprometin la qualitat. I si es necessita analitzar grans volums de dades històriques, els serveis intel·ligència de negoci amb Power BI permeten detectar tendències i correlacions entre defectes i paràmetres del procés.
En definitiva, la detecció de defectes industrials amb augment geomètric guiat per firma representa un avenç significatiu en el camp del few-shot learning. En aprofitar la geometria de les vores, s' assoleix un rendiment molt superior al dels detectors convencionals en condicions de baixa supervisió, sense augmentar la complexitat del model. Aquesta tècnica, combinada amb l'experiència de Q2BSTUDIO en intel·ligència artificial, permet a les fàbriques fer el salt cap a la inspecció 4.0 amb una inversió mínima en etiquetatge. La clau està a entendre que, de vegades, la millor manera de veure un defecte no és mirar cada píxel per separat, sinó seguir el camí que tracen les seves vores.
Per a les empreses interessades a explorar aquestes capacitats, Q2BSTUDIO ofereix demostracions pràctiques i estudis de viabilitat. Ja sigui mitjançant un pilot amb poques mostres o una implementació a gran escala al núvol, l'equip d'experts en agents IA i serveis cloud AWS i Azure pot adaptar la solució a les necessitats específiques de cada client. La indústria 4.0 no espera, i ara és possible detectar defectes amb precisió fins i tot quan les dades escassegen.
