La investigación de inspección visual tiene una larga historia que abarca el siglo XX y continúa

hasta nuestros días. Los esfuerzos actuales en múltiples lugares demuestran que la inspección
visual sigue teniendo un papel vital para muchos tipos diferentes de tareas en el siglo XXI. La
naturaleza de este rol abarca desde la inspección visual humana tradicional hasta la detección
de defectos totalmente automatizada. En consecuencia, los profesionales de hoy en día no solo
deben identificar y aplicar con éxito las lecciones aprendidas del pasado, sino también explorar
nuevas áreas de investigación para obtener soluciones para los problemas de hoy en día, como
los presentados al introducir la automatización durante la inspección. Una lección clave de
investigaciones anteriores indica que los factores que pueden degradar el rendimiento
persistirán hoy, a menos que se tenga cuidado de diseñar el proceso de inspección de manera
adecuada.

INTRODUCCIÓN

Lecciones aprendidas de investigaciones pasadas.

La inspección visual se usa comúnmente tanto en tareas de fabricación como en entornos no

productivos. En las tareas de fabricación, el propósito es verificar que un producto esté libre de
defectos antes de la instalación en el siguiente nivel de ensamblaje o distribución final al cliente.
En entornos no productivos, el objetivo es determinar si las características indicativas de un
"objetivo" están presentes y evitar posibles impactos negativos. Muchos campos en los que se
utiliza la inspección visual se consideran una consecuencia importante debido a los costos
potencialmente altos de los errores de inspección: lesiones, fatalidad, pérdida de equipo
costoso, artículos desechados, retrabajo o falta de adquisición de negocios repetidos. Dichos
campos de alta consecuencia incluyen armas nucleares, energía nuclear, inspección de equipaje
en el aeropuerto, mantenimiento de aeronaves, industria alimentaria y medicina. La inspección
visual se ha investigado ampliamente desde principios del siglo XX para comprender los factores
que afectan el rendimiento (Ver, 2012; Ver, 2015). La observación más frecuente y consistente
es la imperfección de los inspectores humanos. La tasa de error mínima de 10-3 se aplica
principalmente a tareas de inspección de aceptación / rechazo muy simples (Swain y Guttmann,
1983). La mayoría de las tareas de inspección son mucho más complejas y típicamente presentan
tasas de error del 20% al 30% (Drury y Fox, 1975). Los errores de inspección pueden ocurrir por
muchas razones, pero pueden rastrearse a factores de tarea, ambientales, individuales,
organizacionales y sociales (Ver, 2012) (Tabla 1). Aunque no pueden eliminarse por completo,
los errores de inspección pueden reducirse con intervenciones apropiadas. Es decir, la calidad
de un proceso de inspección se puede mejorar mediante la atención adecuada a tres factores
principales: capacitación, procedimientos de inspección y aparatos (Ver, 2012). Retos de la
inspección visual en el siglo XXI. La premisa de este panel de discusión es que la inspección visual
humana sigue teniendo un papel vital en el siglo XXI. En algunos casos, la naturaleza de este
papel permanece prácticamente sin cambios en comparación con los procesos tradicionales del
siglo XX. En otros casos, la naturaleza de este rol ha evolucionado, en gran parte debido a los
recientes avances en el uso de técnicas automatizadas para la inspección visual. En
consecuencia, los practicantes en el siglo XXI enfrentan múltiples desafíos. Por un lado, deben
identificar y aplicar con éxito las lecciones aprendidas del pasado que continúan impactando los
procesos de inspección visual en el siglo XXI. Por otro lado, deben buscar nuevas vías de
investigación para obtener soluciones para los problemas de hoy en día, como los introducidos
por la automatización.
La aplicación exitosa de las lecciones aprendidas de investigaciones anteriores es un desafío para
todos los procesos de inspección visual, independientemente de si se utilizan técnicas
automatizadas. Con demasiada frecuencia, los ingenieros que diseñan el producto también
desarrollan los procedimientos de inspección asociados. Operando bajo el supuesto erróneo de
que la inspección visual se realizará con una precisión del 100%, los ingenieros pueden consultar
o no a los profesionales de los factores humanos que pueden aplicar los principios de
investigaciones anteriores para optimizar la capacitación en inspección, los procedimientos
operativos estándar / conceptos de operación y el aparato. Este problema puede ser
especialmente perjudicial para los procesos que dependen completamente de la inspección
visual humana sin ayudas automatizadas. Por ejemplo, en pequeñas ejecuciones de producción
caracterizadas por bajos rendimientos, puede no ser rentable usar automatizado inspección
debido a las inversiones requeridas en equipos, materiales de capacitación y tiempo. Introducir
alguna forma de automatización en el proceso presenta diferentes tipos de desafíos. La
automatización no reemplaza a los humanos en el sistema; simplemente transforma la
naturaleza de su papel. Por ejemplo, si la detección de máquina se usa para buscar e identificar
piezas defectuosas, una tarea de inspección visual activa se convierte en una tarea de
supervisión pasiva. El resultado es que los efectos de vigilancia pueden ser más pronunciados:
el ser humano monitorea el sistema en busca de una funcionalidad continua y tal vez realiza
verificaciones puntuales de la precisión, pero no es un participante activo en el proceso. En
tareas como el control de equipaje en el que la automatización puede aumentar la fase de
búsqueda propensa a errores, los humanos funcionan como los tomadores de decisiones finales
en el sistema, juzgando si un artículo cumple con los criterios de rechazo. Cuando el rol humano
durante la búsqueda se complementa o reemplaza de esta manera, cualquier problema humano
asociado con la fase de toma de decisiones se vuelve aún más prominente. Finalmente, a pesar
de casi un siglo de investigación, existen brechas que continúan presentando desafíos para la
inspección visual en el siglo XXI. Por ejemplo, si bien se han investigado muchos factores
individuales para identificar los rasgos del inspector "perfecto", aún no se ha descubierto un
enfoque que explique adecuadamente la variación en los datos (Drury y Wang, 1986; Véase,
2012). La investigación adicional para abordar tales brechas beneficiará la inspección visual en
general, independientemente de si se incorporan técnicas automatizadas. Contribuciones de
panelistas. Las contribuciones de cada panelista en el resto de este documento destacan varios
aspectos de estos desafíos que enfrenta la inspección visual humana en el siglo XXI. Colin Drury
describe la naturaleza cambiante de la inspección visual e identifica nuevas aplicaciones que
pueden beneficiarse de investigaciones anteriores. Ann Speed analiza la búsqueda visual y la
inspección durante el control de equipaje, destacando los continuos esfuerzos para descubrir
qué diferencias individuales explican mejor las diferencias observadas en el rendimiento. Allison
Williams y Negar Khalandi describen el papel perdurable de las formas tradicionales de
inspección visual en procesos caracterizados por un bajo rendimiento. La Sra. Khalandi analiza
además los intentos de utilizar técnicas de realidad virtual y aumentada para proporcionar
capacitación o ayudar a los inspectores durante la inspección visual.

CONTRIBUCIONES

¿La inspección visual se está reduciendo o simplemente cambiando?

Colin G. Drury El estudio de los factores humanos en la inspección visual comenzó con la
producción en masa en la fabricación. Sin embargo; con técnicas mejoradas en detección,
medición y potencia informática en muchos campos; La función de inspección visual humana es
frecuentemente reemplazada por la automatización (Friedman, 2016). El lugar obvio para
reemplazar la inspección visual humana implica la medición repetitiva de variables físicas de
producción en masa a escala industrial, dado que las máquinas son más rápidas y precisas que
los humanos. De hecho, en sistemas de producción estrechamente acoplados con tasas de
defectos de 10-6 esperadas y logradas, la detección humana de defectos se vuelve ineficaz. En
cambio, buscamos los precursores necesarios para el error en lugar del error en sí. Si sabemos
que la media de un proceso ha cambiado en una cantidad dada, entonces podemos deducir que
los defectos serán más comunes, incluso si no encontramos defectos. Este principio de control
de proceso estadístico en proceso es ampliamente utilizado, pero a menudo mal utilizado, en la
fabricación (Kelly & Drury, 2002). Además de la inspección de "variables", la función de control
de calidad industrial, tradicionalmente ha habido inspección de "atributos" para detectar y
eliminar artículos con defectos o defectos discretos del flujo de producción. Aquí, el humano,
que puede ser ayudado por herramientas visuales bastante simples, se usa como detector y
tomador de decisiones (por ejemplo, Kleiner & Drury, 1992, para rodamientos de rodillos de
motores a reacción). Drury y Sinclair (1983) estudiaron esta misma tarea para probar un sistema
automatizado para detectar defectos visuales, descubriendo que ni los humanos sin ayuda ni la
automatización total eran efectivos. Sin embargo, las capacidades de automatización están
mejorando constantemente, por lo que es apropiado el estudio de sistemas híbridos, que
combinan potencialmente los mejores aspectos de la inspección visual y la automatización
humana. Hou, Lin y Drury (1993) descubrieron que los atributos combinados de humanos,
sensores y computadoras generalmente producen un mejor rendimiento que cualquier
"componente". Quizás la inspección visual como tarea humana, incluso en la producción en
masa, está cambiando en lugar de desaparecer . Con el aumento de los factores humanos /
ergonomía (HFE), surgió el estudio no solo de qué tan bien las personas pueden realizar tareas
de inspección visual, sino también de cómo podrían modelarse sus roles en el sistema para
predecir el rendimiento durante el diseño de los sistemas. Se llevaron a cabo estudios de
inspección industrial para una variedad de productos, combinando observaciones detalladas y
entrevistas con mediciones del rendimiento de detección de defectos, una tradición que
continúa hoy (Ver, 2015). Las dos teorías más utilizadas en la inspección son la teoría de
búsqueda visual y la teoría de detección de señal. Las ideas de estas teorías resultaron
beneficiosas ya que combinaron aspectos de velocidad y precisión (o productividad y
confiabilidad) en un solo modelo (Drury, 1975). Se encontró que este modelo combinado de
búsqueda más decisión, que se enfoca en los dos pasos más complejos en el proceso de
inspección (Figura 1), es un poderoso predictor del rendimiento general, incluso en aplicaciones
posteriores para el control de equipaje en el aeropuerto (Drury, Ghylin, Y Scwanninger, 2007).
En 11 conjuntos de datos, el ajuste del modelo tanto para aciertos como para falsas alarmas fue
mayor que r = 0.8 en todos los casos menos uno. ¿Esto significa que la inspección visual humana
ya no necesita ser estudiada? Talvez no. La producción industrial no es el único uso de la
inspección, y puede limitarse a tareas especiales como el acabado de la superficie en
automóviles (Lloyd, Boyce, Ferzacca, Eklund y He, 2000). Los sistemas de imagen modernos
permiten la inspección visual utilizando longitudes de onda no visuales, e incluso imágenes de
ultrasonido, como en la inspección no destructiva de estructuras compuestas en aviones. No
solo podemos utilizar sensores de energía novedosos, sino que también podemos transmitir
imágenes de forma remota y rápida para permitir el desacoplamiento físico del inspector del
elemento inspeccionado. Este enfoque se aplica a las imágenes médicas, las imágenes de
seguridad y el problema de la inspección continua en servicio de una variedad de sistemas, como
los aviones. Todos requieren la entrada de HFE si se hace el mejor uso de las capacidades únicas
del ser humano como inspector. Específicamente, el proceso de búsqueda humana a menudo
se debe ayudar con el procesamiento de imágenes visuales, ya que la búsqueda es
El componente de inspección con menos probabilidades de alcanzar altos niveles de éxito.
Finalmente, como ha señalado Drury (2009), todo el campo de la auditoría es meramente
inspección aplicada a los sistemas. HFE sigue teniendo un papel vital en la inspección visual y
debe seguir involucrado.

Los métodos de END como la radiografía, las partículas magnéticas y las pruebas de penetración
de líquidos dependen de la inspección visual dirigida por humanos.

Del escenario del aeropuerto Ann Speed, la radiografía digital se está volviendo cada vez más
popular en la inspección visual en el control de equipaje para inspeccionar alteraciones internas
utilizando herramientas de software que mejoran el contraste de la imagen.

Del escenario de la planta Pantex, se infiere que las pruebas de penetración usadas para
inspeccionar componentes de armas, explosivos altos, herramientas usadas para mecanizar
explosivos altos, ganchos usados en montacargas de instalaciones y otros equipos de
mantenimiento, pueden ser automatizadas e implementadas. En efecto, este concepto se puede
extrapolar a nivel industrial.

La presión del tiempo y el tiempo excesivo en el turno disminuyen la calidad de la inspección

visual (Bainbridge, 2002); sin embargo, hay una compensación asociada con el tiempo de
inspección. Demasiado poco tiempo para la inspección conduce a defectos perdidos, mientras
que demasiado tiempo conduce a falsas alarmas (Ver, 2015). Para la inspección visual continua,
se recomienda un límite de dos horas para evitar degradaciones debido a los efectos de
vigilancia (Bainbridge, 2002).

Los criterios de inspección poco realistas pueden afectar negativamente la motivación y actitud
del inspector (Larson, 2002). Por lo tanto, las especificaciones de inspección deben proporcionar
criterios claros de aceptación / rechazo.

Finalmente, la capacitación y la familiaridad con las piezas para inspección mejoran la calidad.
La capacitación en END se centra en los métodos para aplicar e interpretar la prueba.

En las pruebas de penetración de líquidos, los inspectores deben estar capacitados para
reconocer un defecto particular a fin de aumentar las detecciones y disminuir las falsas alarmas
(Larson, 2002). En operaciones altamente especializadas de alta secuencia, los impactos de los
defectos en la funcionalidad de la pieza también deben ser entrenados para disminuir la
probabilidad de falsas alarmas (Moore, 2016). Sería ideal incorporar la automatización a las
tareas de inspección visual en operaciones de bajo rendimiento, como las de la planta de Pantex;
sin embargo, con

Se han propuesto algunos métodos totalmente automatizados para la inspección de líquidos

penetrantes, pero aún no se han implementado (Popescu, Anania, Cotet y Amza, 2013). Por lo
tanto, el humano sigue teniendo un papel vital en la inspección visual para operaciones de alta
secuencia y bajo rendimiento, como las de la planta Pantex. Ayudas tecnológicas para la
inspección visual Negar Khalandi Para los fines de nuestro trabajo en el Campus de Seguridad
La agudeza visual, los factores del entorno laboral externo y la capacitación son importantes
durante la interpretación de los resultados de la prueba. La agudeza visual, definida como la
capacidad de reconocer un determinado objeto, depende de cinco factores: contraste de la
luminancia entre el objeto y su fondo, adaptación del ojo

Ayudas tecnológicas para la inspección visual Negar Khalandi

Para los fines de nuestro trabajo en el Campus de Seguridad Nacional de Kansas City (KCNSC), la
inspección visual se utiliza para detectar defectos y verificar la calidad en cuatro áreas
principales: 1. Calidad dimensional 2. Calidad superficial 3. Correcto montaje 4. Precisión u
operación correcta Como se demostró en investigaciones anteriores, los errores de inspección
visual generalmente varían entre 20% y 30% (Drury y Fox, 1975). Algunas de las imperfecciones
pueden atribuirse al error humano (Chi y Drury, 2001; Drury y Sheehan, 1969; George, 1963),
mientras que otras se deben a limitaciones de espacio (Mozrall, Drury, Sharit y Cerny, 2000). Los
errores pueden reducirse mediante la capacitación y la práctica (Koller, Drury y Schwaninger,
2009), pero no pueden eliminarse por completo. Los errores de inspección visual en la
fabricación toman una de dos formas: falta un defecto existente o identificación incorrecta de
un defecto que no existe (falsa alarma). Las fallas tienden a ocurrir con mucha más frecuencia
que las falsas alarmas (Ver, 2012). Las fallas pueden conducir a escapes de calidad, mientras que
las falsas alarmas pueden aumentar los costos de producción y el desperdicio. Dadas las
limitaciones humanas inherentes durante la búsqueda visual y la inspección, existe la
oportunidad de complementar a los inspectores con avances tecnológicos para mejorar los
resultados generales. Los instrumentos de inspección óptica automatizada (AOI) reducen la
variación en los procesos de inspección, pero no eliminan completamente el error (Jalili, Dehgan
y Nourani, 2013; Lee, Ko y Lee, 2016). Además, no todas las aplicaciones se prestan bien para el
uso de AOI. En el KCNSC, se han producido mejoras en la inspección de componentes
bidimensionales y superficies bidimensionales de componentes tridimensionales con AOI. Sin
embargo, se necesita una maduración adicional antes de que AOI pueda aplicarse con confianza
en aplicaciones tridimensionales. Tecnologías como la realidad virtual y la realidad aumentada
han demostrado ser prometedoras para mejorar la inspección visual. La realidad virtual
reemplaza el mundo real con un mundo simulado interactivo. La realidad virtual y los sistemas
asistidos por computadora se han utilizado durante muchos años para la capacitación de
inspectores en grandes industrias caracterizadas por un alto rendimiento, particularmente la
inspección de aeronaves y el control de equipaje en el aeropuerto (Ver, 2012). En una forma
simple, las técnicas de seguimiento ocular son útiles para apoyar la capacitación de inspectores
y mejorar el rendimiento posterior al vincular los modos de falla con la actividad de búsqueda
visual (por ejemplo, el problema de "mirar pero no ver") (Muczynski & Gucma, 2013). Los
escenarios de entrenamiento de realidad virtual que emulan la inspección de aeronaves han
mejorado el rendimiento de búsqueda y detección al permitir que los principiantes observen los
patrones de escaneo de inspectores expertos en tiempo real (Mehta, Sadasivan, Greenstein,
Gramopadhye y Duchowski, 2005). La realidad aumentada proporciona una vista en tiempo real
del entorno físico real y lo aumenta con entradas generadas por computadora, como sonido o
gráficos. La forma más popular de realidad aumentada utiliza gafas digitales portátiles como
Google Glass y Microsoft HoloLens, que libera las manos del usuario para tareas importantes.
Otros modos de realidad aumentada incluyen tabletas inteligentes, guantes y proyección de
superficie de trabajo. Cuando la inspección visual sigue siendo una necesidad, la realidad
aumentada puede ayudar a superar las limitaciones humanas que contribuyen al error. Por
ejemplo, dado que los inspectores humanos tienden a desempeñarse relativamente peor
durante la parte de búsqueda de la tarea de inspección visual, se puede aprovechar la realidad
aumentada para mejorar el componente de búsqueda y esencialmente eliminarlo. Los
inspectores humanos pueden entonces enfocarse más en la parte de toma de decisiones de la
tarea. La realidad aumentada también puede aprovecharse antes de la inspección durante el
montaje. Por ejemplo, la realidad aumentada puede proporcionar retroalimentación háptica,
visual o de audio durante el ensamblaje manual para