HardwaReviews

Gesta Labs elige a NVIDIA como su Socio Estratégico para Desarrollar y Aplicar Soluciones de Industria 4.0 en el Sector de Manufactura en México.

Gesta Labs escogió a NVIDIA como su Socio Estratégico para desarrollar y aplicar Soluciones de Industria 4.0 en la industria manufacturera mexicana basadas en la inteligencia artificial.

Manuel Jair Pérez Bazaldúa, Chief Executive Officer (CEO) de Gesta Labs.

Juan Rodolfo Álvarez, Líder del Área de Computer Vision.

 

¿Qué es Gesta Labs?

Es un Estudio de Innovación de Industria 4.0, especializado en la creación de soluciones con Tecnologías Emergentes, tales como; IoT, Big Data e Inteligencia Artificial, para empresas del sector industrial y manufacturero en México.

El área a cargo de Rodolfo Álvarez es Computer Vision, y los proyectos que están desarrollando son de dos tipos: personalizados, tales como inspección de defectos en autopartes y conteo de inventarios en bodegas en tiempo real; y generales, entre los que están: seguridad industrial, daño en cultivos agrícolas a causa de la vida salvaje, conteo urbano y casetas inteligentes.

Las soluciones de NVIDIA Enterprise que han adquirido y están usando en su organización son: Jetson Xavier AGXTensorRTTransfer Learning ToolkitTriton Inference Server y Deepstream.

Los tipos de datos que han procesado de sus clientes con estas herramientas, dentro del área de Computer Vision, son imágenes que pueden estar en los diferentes formatos disponibles en el mercado, es decir; 2D, 3D o, incluso, imágenes satelitales, que incluyen información geoespacial. A nivel del desarrollo de modelos, en Gesta Labs manejan un volumen de decenas de miles de imágenes para la etapa de entrenamiento. A nivel productivo, tan sólo para la solución de inspección de calidad que desarrollaron para su mayor cliente, han procesado más de 4 millones y medio de imágenes correspondientes a más de 1 millón de inspecciones, con tiempos de inferencia (resultado de inspección) de unos milisegundos, gracias al hardware de cómputo acelerado de NVIDIA.

Otros productos e información relacionados que usan dentro de los marcos de trabajo para Deep Learning son: Tensorflow de Google, Pytorch de Facebook, MXNET de Apache, dependiendo de la aplicación y arquitectura que estén implementando, y últimamente tienen una preferencia por la herramienta de NVIDIA llamada Transfer Learning Toolkit, puesto que les ofrece las ventajas de emplear arquitecturas populares de Deep Learning y un entorno amigable para entrenar modelos a través de su API, haciendo muy sencillo integrar el desarrollo con el hardware de NVIDIA.

 

La aceleración y el poder son la magia de NVIDIA.

En este caso, el deep learning se aplicó para realizar un sistema de inspección de calidad automatizado por medio del análisis de imágenes que tomaron diversas cámaras industriales en la línea de producción. Un punto importante para el éxito de este tipo de proyectos es tener un Tiempo de Ciclo corto, que es el tiempo que tarda el sistema en dar un resultado de la inspección, y es clave tener una sencilla e intuitiva interfaz de apoyo para los operadores. El hardware de NVIDIA para realizar Edge Computing les permite realizar millones de operaciones en cuestión de milisegundos para cumplir los requerimientos del Tiempo de Ciclo, además de ofrecer un entorno para desplegar aplicaciones embebidas industriales como tableros de operación y almacenamiento de datos.

La aplicación de esta solución es conocida como detección de objetos, que consiste en segmentar o localizar objetos o patrones dentro de una imagen. En este caso, un defecto es un patrón anormal que hay que localizar y reportar. La integración con la línea de producción les permite enviar automáticamente piezas defectuosas a un conveyor de rechazo y, de esta manera, evitar que avancen a posteriores etapas del proceso de producción. Esto se traduce en una disminución de reclamos de mercancía y ahorros en penalizaciones para sus clientes, así como mantener sus estándares de calidad y de reputación comercial.

Cada estación de inspección cuenta con una computadora embebida del modelo NVIDIA Jetson Xavier AGX. Además, para los servicios de inferencia de modelos de Deep Learning utilizan NVIDIA Triton Inference Server. Para cuestiones de entrenamiento, emplean los modelos en su infraestructura que consta de una workstation con GPUs NVIDIA Tesla V100 y aceleran el proceso de desarrollo con NVIDIA Transfer Learning Toolkit, ahora NVIDIA TAO, para crear prototipos de modelos productivos de una manera ágil. Finalmente, antes de poner en operación un modelo productivo, optimizan el modelo a través de NVIDIA TensorRT, lo que les permite reducir el tiempo de cómputo y obtener resultados mucho más rápido.

Actualmente, están haciendo inferencia con las GPUs tanto en la etapa de entrenamiento de modelos, como en producción. Al realizar el entrenamiento en infraestructura con GPUs, cada modelo de clasificación se entrena durante algunas horas con decenas de miles de imágenes.

“El principal impacto que tuvo la aplicación de las soluciones de NVIDIA en las mejoras del área o en el desarrollo del proyecto fueron: cumplir con los Tiempos de Ciclo de la línea de Producción, menos de 5 segundos, a través de una inspección de las piezas con Edge Computing mediante las GPUs de NVIDIA. También ayudó a reducir los tiempos de desarrollo de la aplicación el uso de las herramientas del Software de NVIDIA”, comentó Rodolfo Álvarez, Líder del Área de Computer Vision.

“Lo que hizo el gran avance fue la arquitectura híbrida de la solución con Edge Computing y la nube. Lo que hicimos Gesta Labs y NVIDIA para solucionar el problema y mejorar el proceso, fue construir la solución completa de Computer Vision y la integramos a la línea de producción y a la nube del cliente. El impacto más grande fue la reducción de rechazos por piezas defectuosas, que en el medio le llaman sorting, por parte de los clientes, las armadoras OEMs, de su cliente Tier 1”, dijo Marcio Gomes de Aguiar, Director Regional de NVIDIA Enterprise para América Latina. 

“La exactitud del modelo varía respecto al tipo de defecto por su localización y complejidad de características visuales. Por ejemplo, los defectos relacionados con la falta de algún elemento en la pieza tienen una exactitud muy alta, que ronda el 99% y los defectos complejos, como los defectos relacionados a un proceso de fabricación, como puede ser el vaciado en los metales, o los daños mecánicos que puede tener una pieza al manipularse tienen una tasa de detección del 93%. También, el tiempo de inspección de cada pieza es 20 veces más rápido”, comentó Manuel Jair Pérez Bazaldúa, Chief Executive Officer (CEO) de Gesta Labs.

La diosa Tecnología enseña a sus hijos a hacer Deep Learning. 

“Además, gracias a nuestro sistema, se tiene trazabilidad de las piezas y sus defectos, la cual nos sirve para relacionar la existencia de los mismos con variables del proceso en las diferentes etapas de fabricación. Con ayuda de los datos generados también se está creando un mapa de calor sobre la pieza en donde se identifica la frecuencia de los defectos en las diferentes zonas de la misma para, luego, hacer mejoras en los procesos de producción que se traduzcan directamente en la reducción de dichos defectos”, dijo Jair Pérez.

“Así fue como disminuimos el sesgo del operador, puesto que ahora se realiza la inspección de los defectos bajo un mismo marco de referencia, siendo éste el resultado del aprendizaje en el que participaron decenas de operadores al brindar ejemplos de su propio criterio y, al combinar estas experiencias, se obtuvo un modelo de Deep Learning”, comentó Rodolfo Álvarez.

Con el uso de la inteligencia artificial, ayudamos a crear valor para nuestro cliente mejorando sus procesos y brindando herramientas para hacer de la inspección de calidad un proceso más óptimo y con más precisión; lo cual generará a su vez ahorros gracias a la detección temprana de defectos, disminución de tiempos de proceso y, sobre todo, la reducción de penalizaciones por parte de sus clientes (OEMs), dijo Rodolfo Álvarez.

Salir de la versión móvil