FACTORES QUE INFLUYEN SOBRE LA CALIDAD DE LECTURA Sin embargo, la generación de los datos correspondientes para encontrar las causas de los errores solo es posible de forma limitada a través de los propios lectores de códigos de barras. Es cierto que los sensores monitorizan su propio estado y transmiten datos a través de OPC UA al sistema de nivel superior si se requiere. Sin embargo, esta monitorización automática tiene una funcionalidadmuy limitada ya que cada sensor solo tiene en cuenta su propia visión. Esto significa que envía información como “leyendo”, “leyendo especialmente bien“o”leyendo especialmente mal”, es decir, su porcentaje determinado de calidad de lectura. El propio dispositivo no puede identificar las causas de la mala calidad de lectura. Hay tres factores que pueden influir: el propio dispositivo, la etiqueta del código de barras o los factores de interferencia del entorno. Las posibles fuentes de error con respecto al propio lector de códigos de barras son, por ejemplo, una mala alineación con las etiquetas que hay que capturar o defectos técnicos. Las etiquetas, a su vez, pueden estar dañadas, sucias o mal impresas, lo cual puede reducir la calidad de lectura o impedir su identificación, dependiendo del grado de daño o de calidad de impresión. Entre los factores de interferencia del entorno se encuentran las vibraciones, el polvo y el resplandor de la luz solar o emisores de fondo. La humedad, como por ejemplo en los almacenes de congelación, también puede ser un factor de interferencia si provoca un empañamiento de la ventana de visualización del lector de códigos de barras. INTELIGENCIA ARTIFICIAL PROPORCIONA EL CONTEXTO La IA puede ayudar a distinguir entre las distintas causas y así identificar rápidamente los motivos de las averías o la mala calidad de la lectura. Leuze está colaborando con un fabricante de automóviles para desarrollar una solución que proporciona los datos del contexto general a los sensores. La ventaja que aporta es que los lectores de códigos de barras siguen funcionando con normalidad sin generar trabajo de instalación adicional para el cliente. Se trata de grandes cantidades de datos: Durante el proceso pasan muchas etiquetas por muchos lectores de códigos de barras y se leen en diferentes lugares de la instalación. De aquí proviene el contexto general. En términos matemáticos, este contexto se puede describir como una ecuación conmuchas incógnitas: innumerables lectores de códigos de barras, etiquetas que aparecen con una frecuencia aún mayor y distintos lugares de instalación de los lectores. En cada estación y para cada etiqueta hay un resultado distinto de porcentaje de calidad de lectura. La IA resuelve este complicado sistema de ecuaciones y determina si hay una mala calidad de lectura en el mismo lector de códigos de barras, con una etiqueta, con un tipo de etiqueta específico o en la misma instalación. APRENDIZAJE AUTOMÁTICO MEDIANTE ALGORITMOS DE RECOMENDACIÓN Para ello, Leuze utiliza algoritmos de recomendación, es decir, métodos de recomendación basados en IA. Son los mismos métodos que utilizan, por ejemplo, los servicios de streaming para evaluar el comportamiento de los usuarios y recomendarles películas o series adecuadas en función de ello. En esta analogía del comportamiento de los usuarios, los códigos de barras corresponden a las películas y los lectores de códigos de barras a los usuarios del streaming. El algoritmo de recomendación califica una etiqueta comomás omenos “atractiva“para diferentes lectores de códigos de barras. De este modo, es posible determinar qué sensor o etiqueta es”poco atractiva” con un determinado porcentaje, es decir, limítrofe o llamativa. Lector de código 2D DCR 200i en funcionamiento en la aplicación de la máquina-herramienta. La IA puede ayudar a distinguir entre las distintas causas y así identificar rápidamente los motivos de las averías o la mala calidad de la lectura 57 INFORME
RkJQdWJsaXNoZXIy Njg1MjYx