Inspección de Defectos en Soldaduras Industriales mediante Visión Térmica y OpenCV

Introducción a la Termografía Industrial y Visión Artificial 🌡️

El control de calidad en los procesos de soldadura es un pilar fundamental en industrias críticas como la aeroespacial, la automotriz y la construcción de infraestructuras. Tradicionalmente, la inspección se realiza mediante ensayos no destructivos (END) manuales, como ultrasonido o radiografía, que requieren mucho tiempo y personal altamente especializado. La integración de la visión térmica con algoritmos de visión artificial permite automatizar este proceso en tiempo real, detectando irregularidades térmicas que revelan fallas estructurales invisibles al ojo humano.

En este tutorial completo, aprenderás a procesar imágenes termográficas utilizando Python y la librería OpenCV para identificar anomalías térmicas características de soldaduras defectuosas. No repetiremos temas comunes de detección óptica tradicional; nos enfocaremos exclusivamente en el espectro infrarrojo y las firmas térmicas.

🛠️ Requisitos y Configuración del Entorno

Antes de escribir código, debemos preparar nuestro entorno de desarrollo e instalar las librerías necesarias para el análisis de imágenes térmicas y visualización de datos.

Instalación de Dependencias

Abre tu terminal o línea de comandos y ejecuta el siguiente comando para instalar las herramientas requeridas:

pip install opencv-python numpy matplotlib scikit-image

Verificación del Entorno

Asegúrate de tener una versión de Python 3.8 o superior instalada en tu sistema. Puedes verificar tu versión ejecutando:

python --version

📋 Fundamentos de la Inspección Termográfica de Soldaduras

Cuando se aplica un cordón de soldadura, la distribución del calor a lo largo de la pieza sigue patrones físicos predecibles. Cualquier discontinuidad, como una grieta interna, una inclusión de escoria o una porosidad, altera la conductividad térmica del material metálico. Esto genera variaciones de temperatura localizadas que una cámara térmica puede capturar con alta precisión.

Comparativa de Métodos de Inspección

💻 Desarrollo del Algoritmo de Detección en Python

Comenzaremos cargando una imagen térmica simulada o capturada por un sensor infrarrojo, convirtiéndola a escala de grises y aplicando técnicas de filtrado y umbralización para aislar las zonas de interés.

Paso 1: Carga y Preprocesamiento de la Imagen Térmica

En la termografía, los valores de píxel representan directamente niveles de radiación térmica. Vamos a leer la imagen y aplicar un filtro bilateral para reducir el ruido manteniendo los bordes definidos.

import cv2
import numpy as np
import matplotlib.pyplot as plt

# Cargar la imagen térmica en escala de grises
# Nota: En entornos reales, la imagen proviene de una matriz de datos radiométricos
image_path = "soldadura_termica.png"
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

if img is None:
    print("Error: No se pudo cargar la imagen. Verifique la ruta.")
    # Crear una matriz sintética para demostración si no hay archivo físico
    img = np.random.randint(100, 200, size=(400, 600), dtype=np.uint8)
    # Simular un punto caliente anómalo (defecto)
    cv2.circle(img, (300, 200), 25, 255, -1)

# Aplicar filtro bilateral para suavizar ruido sin perder bordes térmicos
filtered_img = cv2.bilateralFilter(img, 9, 75, 75)

Paso 2: Análisis de Gradientes y Detección de Anomalías

Las fallas en las soldaduras suelen manifestarse como gradientes térmicos bruscos. Utilizaremos el operador Canny y la detección de contornos para delimitar estas regiones.

# Aplicar normalización para optimizar el contraste térmico
normalized_img = cv2.normalize(filtered_img, None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX)

# Aplicar umbralización adaptativa para aislar puntos calientes extremos
_, thresh = cv2.threshold(normalized_img, 210, 255, cv2.THRESH_BINARY)

# Encontrar contornos de las zonas con anomalías térmicas
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# Crear una copia a color para visualizar los resultados
output_img = cv2.cvtColor(filtered_img, cv2.COLOR_GRAY2BGR)

defectos_detectados = 0
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > 15: # Filtrar ruido pequeño
        defectos_detectados += 1
        # Dibujar el contorno del defecto en rojo
        cv2.drawContours(output_img, [cnt], -1, (0, 0, 255), 2)
        # Calcular el centroide del defecto para etiquetado
        M = cv2.moments(cnt)
        if M["m00"] != 0:
            cX = int(M["m10"] / M["m00"])
            cY = int(M["m01"] / M["m00"])
            cv2.putText(output_img, f"Defecto #{defectos_detectados}", (cX - 40, cY - 10),
                        cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

print(f"Se encontraron {defectos_detectados} anomalías térmicas en la soldadura.")

📊 Evaluación y Métricas de Rendimiento

Para validar la efectividad de nuestro sistema automatizado de visión artificial, es necesario medir métricas clave de desempeño industrial:

Visualización de Resultados con Matplotlib

Podemos graficar el proceso completo para el análisis de los ingenieros de calidad:

plt.figure(figsize=(12, 6))

plt.subplot(1, 3, 1)
plt.title("Imagen Térmica Original")
plt.imshow(img, cmap='inferno')
plt.axis('off')

plt.subplot(1, 3, 2)
plt.title("Umbral de Anomalías")
plt.imshow(thresh, cmap='gray')
plt.axis('off')

plt.subplot(1, 3, 3)
plt.title("Defectos Detectados")
plt.imshow(cv2.cvtColor(output_img, cv2.COLOR_BGR2RGB))
plt.axis('off')

plt.tight_layout()
plt.show()

❓ Preguntas Frecuentes (FAQ)

🚀 Conclusión y Siguientes Pasos

Has aprendido a implementar un sistema básico pero potente de inspección de soldaduras mediante termografía y OpenCV. Este enfoque reduce drásticamente los costos de control de calidad y previene fallas estructurales antes de que los componentes salgan al mercado.

Como siguientes pasos recomendados, puedes explorar la integración de redes neuronales convolucionales (CNN) ligeras para clasificar automáticamente el tipo de defecto detectado (porosidad vs. grieta longitudinal) y desplegar el modelo en dispositivos Edge como NVIDIA Jetson.