La metrologia òptica basada en perfil de franges (Fringe Projection Profilometry, FPP) s'ha convertit en una tecnologia clau per a la inspecció tridimensional de superfícies en sectors com l'automoció, l'aeronàutica o la fabricació additiva. La seva capacitat per capturar la forma d'un objecte amb una sola imatge (single-shot) la fa especialment atractiva per a entorns de producció on el temps és crític. No obstant això, en aplicar xarxes neuronals profundes per reconstruir directament la profunditat a partir d'una única projecció de franges, apareix un problema subtil però devastador: la xarxa aprèn a prendre dreceres.
Aquestes dreceres, conegudes en l' àmbit de l' aprenentatge automàtic com a shortcuts, consisteixen en el que el model explota correlacions espúries en les dades, com les vores de l' objecte, en lloc de la informació física rellevant, en aquest cas la fase de les franges. Com a resultat, la precisió s'estanca independentment de quantes dades s'hi afegeixin o de quant gran sigui la capacitat de la xarxa. Investigacions recents han demostrat que una arquitectura tipus UNet, fins i tot entrenada amb 15.600 imatges sintètiques fotorrealistes, assoleix un error absolut mitjà (MAE) de 14.54 mm per a objectes situats entre 1.5 i 2.1 metres de distància, i no aconsegueix millorar-lo ni amb més dades ni amb més paràmetres. La raó és profunda: l'espai d'hipòtesis que busca l'optimitzador continua permetent aquesta solució espúria.
La solució proposada no passa per afegir penalitzacions en la funció de pèrdua ni per forçar la xarxa a seguir la física mitjançant termes soft (com en una xarxa informada per la física o PINN), sinó per un canvi arquitectònic radical. Es dissenya una xarxa que produeix directament la fase embolicada representada com a (si, cosè), i després converteix aquesta representació a profunditat mitjançant una capa de calibratge fixa i diferenciable, que codifica l'òptica real del sistema. Aquesta capa no s' aprèn, sinó que es deriva del calibratge del projector i la cambra, eliminant qualsevol possibilitat que la xarxa utilitzi característiques no desitjades. És a dir, s'elimina la drecera estructuralment, no amb un simple càstig en la pèrdua.
Un repte addicional és que la correspondència entre fase embolicada i profunditat no és injectiva en una sola imatge, a causa de l'ambigüitat de l'ordre de franja (fringe order). Per resoldre-ho, l' arquitectura rep l' ordre de franja com a entrada auxiliar, un supòsit que una anàlisi de sensibilitat confirma que tolera errors realistes de decodificació. El resultat és una reducció de l'error MAE de 3.3 vegades, fins a 4.46 mm, amb l'error residual concentrat només en el 0.103% dels píxels al voltant de la discontinuïtat d'embolcall (±π). En estendre el mètode a tres dispars (three-frame), l'error baixa a 1.16 mm, una xifra que competeix amb tècniques molt més complexes.
Aquest cas il·lustra una lliçó fonamental per a la intel·ligència artificial aplicada a problemes de visió industrial: no n'hi ha prou amb entrenar amb grans volums de dades ni amb augmentar la capacitat del model si l'arquitectura permet solucions espúries. La interpretabilitat i el disseny basat en la física esdevenen eines indispensables per aconseguir sistemes robustos. De fet, l'estudi mostra que la fase és la característica interna més decodificable de la xarxa, i que una quantificació d'incertesa conformal (la primera reportada per a FPP) permet localitzar l'error exactament en la discontinuïtat d'embolcall, on rebutjar el 5% dels píxels amb més desacord redueix l'error quadràtic mitjà en un 64%.
En un context empresarial, la capacitat de mesurar amb precisió la forma tridimensional d' una peça en una sola presa té un impacte directe en la productivitat i la qualitat. Línies d' inspecció que avui requereixen múltiples captures o temps de processament elevats podrien simplificar-se dràsticament. No obstant això, implementar aquestes solucions exigeix alguna cosa més que xarxes neuronals estàndard: es necessita un enfocament que integri coneixement del domini, disseny arquitectònic acurat i eines de validació avançades. Aquí és on empreses com Q2BSTUDIO ofereixen un valor diferencial. Com a especialistes en intel·ligència artificial per a empreses, comprenem que cada problema de mesurament té les seves particularitats i que les solucions genèriques rara vegada funcionen en entorns industrials reals.
Per això, desenvolupem aplicacions a mesura que incorporen des del calibratge òptica fins a la integració amb sistemes de control existents. El nostre equip pot dissenyar xarxes neuronals que evitin dreceres mitjançant arquitectures informades per la física, similar a l'enfocament descrit, però adaptades a les condicions específiques d'il·luminació, distància i material de la peça. A més, integrem serveis cloud aws i azure per escalar el processament d'imatges en temps real i gestionar grans volums de dades de calibratge. La ciberseguretat també és crítica: la comunicació entre sensors, servidors i dispositius de producció s'ha de protegir davant amenaces, una cosa que abordem amb auditories i pentesting.
Més enllà de la metrologia, els principis aquí exposats s' apliquen a qualsevol tasca de visió artificial on les xarxes puguin prendre dreceres, com la detecció de defectes superficials o el seguiment d' objectes. La nostra experiència en serveis intel·ligència de negoci i Power BI permet convertir els mesuraments tridimensionals en dashboards accionables per a la presa de decisions. També treballem amb agents IA que automatitzen la inspecció i generen alertes en temps real. I tot això se sustenta en un desenvolupament de programari a mesura que garanteix l' escalabilitat i la mantenibilitat del sistema.
En conclusió, l' eliminació de dreceres en la perfilometria de franges d' un sol dispar representa un avenç conceptual que transcendeix el camp de l' òptica. Ens recorda que la intel·ligència artificial no és una caixa negra màgica, sinó una eina que requereix disseny intel·ligent. Les empreses que vulguin aprofitar al màxim aquestes tecnologies han de buscar socis tecnològics que entenguin tant la física subjacent com les necessitats de producció. En Q2BSTUDIO, combinem ambdues perspectives per oferir solucions que no només funcionen, sinó que són robustes, interpretables i eficients.
