Primera Creación de Receta

Este análisis detallado explica qué es una Receta, describe las diferencias entre Clasificación y Segmentación, y proporciona una guía paso a paso para crear una Receta. También incluye una guía detallada de la configuración de Imaging Setup, la captura de Imagen de Plantilla y la configuración del Alineador, la optimización de ROI, la recopilación de datos y el entrenamiento de IA, así como la configuración de aumento de imágenes.

---

Objetivos de Aprendizaje

Al finalizar este análisis detallado, comprenderá:

• qué es una Receta
• la diferencia entre clasificación y segmentación – y cuándo usar cada una
• cómo crear una Receta
• cómo configurar Imaging Setup
• cómo capturar una Imagen de Plantilla y configurar el Alineador
• qué son las ROI (Regiones de Interés) y cómo optimizarlas
• la recopilación de datos para el entrenamiento de IA
• Pruebas y Validación de Recetas

¿Qué es una Receta?

• Un conjunto configurado de instrucciones que indica a la cámara cómo inspeccionar una pieza o producto específico.
• Define ajustes de la cámara, incluyendo exposición, enfoque y parámetros de iluminación para una captura de imagen consistente.
• Incluye lógica de procesamiento como definiciones de ROI, Alineador, clases de clasificación o segmentación.
• Almacena configuraciones de entrada/salida para integrarse con sistemas de automatización para aprobación/rechazo o señales avanzadas.
• Puede ser guardada y reutilizada para garantizar inspecciones consistentes entre turnos, líneas o instalaciones.

Clasificación vs. Segmentación

Definiciones

• Clasificación: Identificar el tipo de objeto dentro de la ROI
• Segmentación: Localizar y analizar regiones en la imagen/ROI

Ejemplos

Clasificación de Imagen	Segmentación de Imagen	Clasificación de Imagen	Segmentación de Imagen
¿Qué es una oveja?	¿Qué píxeles pertenecen a cada objeto?	¿Esta pizza es aceptable o defectuosa?	¿Dónde está cada pepperoni?

Comparación Clave

	Clasificación	Segmentación
Velocidad	La velocidad depende de la Configuración de Imagen y de la complejidad. Generalmente eficiente y rápida con configuraciones simples	Puede ser tan rápida o incluso más rápida que la clasificación cuando se optimiza, especialmente con modelos simplificados
Precisión	Bueno para la identificación general de aprobación/rechazo o tipo de pieza	Mayor precisión para la localización precisa de defectos
Complejidad	Simple de configurar y mantener; menos parámetros	Complejo – Requiere más datos, etiquetado y ajuste
Requisito de Datos	Bajo – Requiere menos imágenes etiquetadas	Moderado – Requiere muchas imágenes con anotaciones detalladas a nivel de píxel
Casos de Uso	Presencia de pieza, orientación, controles básicos de calidad, pieza insertada/no insertada, etc.	Defectos de superficie, inspección de rasgos finos, detección de múltiples defectos, conteo, medición, etc.

Creación y Exportación de una Receta

Utilice el botón Export Recipe junto a una Receta para exportar una Receta individual.

Utilice el botón Export en la parte superior de la pantalla para exportar múltiples Recetas a la vez.

Utilice el botón Import en la parte superior de la pantalla para importar Recetas.

Recuerde: Cada receta admite solo un tipo de inspección a la vez, ya sea segmentación o clasificación. Seleccione el tipo correcto antes de comenzar la configuración.

Configuración de Imagen

Enfoque

• Qué es: Ajusta la nitidez de la imagen capturada.
• Cómo usarlo: Deslice hasta que los bordes y detalles de la imagen se vean nítidos y claros.

tip

Utilice un objeto objetivo con bordes claros (como una regla o una tarjeta de calibración) al enfocar.

Rotación de la Imagen

• Qué es: Rota la imagen (0° o 180°).
• Cuándo usarlo: Si la cámara está montada con un ángulo, pero quiere que la imagen se muestre al revés en la interfaz.

Si necesita rotar la imagen 90°, gire la cámara.

Exposición (ms)

• Qué es: Cuánto tiempo el sensor está expuesto a la luz durante la captura de la imagen.
• Efecto:
  • Exposición mayor → imágenes más brillantes, pero riesgo de desenfoque por movimiento.
  • Exposición menor → menos luz, pero imágenes más nítidas en aplicaciones de movimiento rápido.

Subexpuesta	Correctamente Expuesta	Sobreexpuesta

tip

La exposición es logarítmica, y una exposición más alta implica más latencia (porque se requiere más tiempo para la captura de la imagen).

Ganancia

• Qué es: Ilumina digitalmente la imagen de forma artificial (similar al ISO en una cámara).
• Efecto:
  • Ganancia alta → imagen más brillante, pero añade ruido (aspecto granulado).
  • Ganancia baja → imagen más limpia, pero requiere buena iluminación.

Ganancia alta	Ganancia baja
Más brillante y con más ruido	Más oscura y con menos ruido

tip

Solo aumente la ganancia si no es posible ajustar la exposición o la iluminación.

Balance de Blancos Automático

• Qué es: Ajusta automáticamente el balance de color para que los blancos aparezcan blancos.
• Cuándo usarlo:
  • Ideal para entornos con condiciones de iluminación variables o cambiantes.
  • Para configuraciones estables, el balance de blancos manual ofrece resultados más consistentes y repetibles.

Para ajustar manualmente el balance de blancos:

• Active el interruptor de Balance de Blancos Automático (ON).
• Coloque una hoja de papel blanco debajo de la cámara o delante del lente.
• Desactive el interruptor (OFF) para fijar la configuración de balance de blancos.

Gamma

• Qué es: Ajusta el brillo de los tonos medios sin afectar demasiado las áreas oscuras o brillantes.
• Efecto: Útil para revelar detalles en las sombras o reducir reflejos excesivamente brillantes.

Lens Correction

• Qué es: Corrige la distorsión de lentes gran angular.
• Cuándo habilitar: Si los bordes de la imagen se ven curvados o distorsionados, actívelo (ON) para mayor precisión en las tareas de alineación.

LED Strobe Mode

• Qué es: Controla cuándo se dispara la luz LED integrada de la cámara.
• Opciones:
  • Off: La luz LED permanece encendida de forma continua.
  • On: La luz LED solo parpadea durante la captura, reduciendo reflejos.

LED Light Pattern

• Qué es: Selecciona cómo se iluminan los LEDs (p. ej., All on, all off, Left and right, top and bottom, etc).
• Caso de uso: Ajuste según su configuración de iluminación para una iluminación óptima de la pieza.

tip

Utilice patrones direccionales para reducir deslumbramiento o reflejos apagando los LEDs que iluminan directamente superficies reflectantes, manteniendo activas las fuentes de luz inclinadas para una mejor visibilidad.

LED Light Intensity

• Qué es: Ajusta cuán brillante es la iluminación LED.
• Mejor práctica: Comience con un valor bajo y aumente gradualmente para evitar deslumbramientos o reflejos.

Photometric Control

• Qué es: Captura múltiples imágenes (típicamente cuatro) con iluminación direccional diferente (izquierda, derecha, superior e inferior) y luego las combina en una sola imagen mejorada.
• Propósito: Esta técnica reduce las sombras y resalta características superficiales sutiles al proporcionar una iluminación uniforme y consistente a lo largo de la pieza.
• Cuándo usar: Ideal para piezas complejas, superficies altamente reflectantes o piezas con texturas irregulares donde imágenes con iluminación única estándar pueden omitir detalles críticos.

Trigger Settings

Manual Trigger

• Qué es: Captura imágenes cuando presiona el botón en la pantalla HMI.
• Mejor para: Pruebas, configuración o inspecciones manuales.

Hardware Trigger

• Qué es: Utiliza una señal eléctrica (p. ej., desde un sensor) para disparar la cámara.
• Mejor para: Líneas automatizadas donde un sensor detecta la presencia de la pieza.

PLC Trigger

• Qué es: Las señales de disparo se envían a través de controladores industriales (PLCs) para una operación sincronizada con otras máquinas.
• Mejor para: Sistemas totalmente automatizados que requieren temporización precisa.

Aligner Trigger

• Qué es: Se activa automáticamente cuando el sistema detecta alineación de la pieza en el campo de visión.
• Mejor para: Aplicaciones donde las piezas deben posicionarse de forma consistente antes de la captura o cuando no hay otros disparadores confiables presentes.

Interval Trigger

• Qué es: Dispara la cámara a intervalos de tiempo fijos.
• Mejor para: Procesos continuos o monitoreo de líneas en movimiento sin sensores de detección de piezas.

Plantilla de Imagen y Alineación

Omitir Alineador

• Qué es: Desactiva el paso de alineación durante la inspección.
• Cuándo usarlo: Si la pieza siempre está en la misma posición y orientación en la imagen.

Regiones de Plantilla

• Qué es: Define las áreas de la imagen de plantilla utilizadas para la alineación.
  • Rectángulo: Dibuja una ROI rectangular.
  • Círculo: Dibuja una ROI circular.
  • Ignorar Región de Plantilla: Excluir ciertas áreas de la alineación para evitar patrones distractores o características irrelevantes.
• Mejor uso: Ayuda al sistema a centrarse solo en las características más distintivas de la pieza para una alineación precisa.

Rango de Rotación

• Qué es: Define cuánta rotación (en grados) tolerará el sistema al comparar la pieza con la plantilla.
• Ejemplo: Configurar ±20° permite que la pieza gire ligeramente pero siga siendo detectada.
• Cuándo ajustar: Aumente si las piezas tienden a rotar durante la producción; disminuya para orientaciones altamente consistentes.

Sensibilidad

• Qué es: Controla qué tan finamente busca una coincidencia entre la imagen en vivo y la plantilla.
• Efecto:
  • Alta sensibilidad → detecta más detalles sutiles, útil para piezas complejas.
  • Sensibilidad más baja → reduce coincidencias falsas, pero puede perder rasgos finos.

Umbral de Confianza

• Qué es: Establece la puntuación de confianza mínima requerida para que el sistema acepte una detección.
• Efecto:
  • Umbral más alto → menos falsos positivos pero podría perder coincidencias limítrofes.
  • Umbral más bajo → más detecciones, pero con mayor riesgo de falsos positivos.

tip

Empiece de forma moderada y ajuste según los resultados de las pruebas.

Invariante a la Escala

• Qué es: Permite que el sistema detecte piezas que son ligeramente más grandes o más pequeñas que la imagen de plantilla original.
• Cuándo habilitar: Si el tamaño de la pieza puede variar ligeramente debido a la posición, cambios de distancia o tolerancias de fabricación.

Leyenda de Vista previa en Vivo

1. Una caja delimitadora configurable que define la región específica del campo FOV de la cámara a monitorizar durante el disparo.

• Propósito: Garantiza que la cámara se enfoque solo en el área relevante, ignorando regiones de fondo innecesarias.
• Mejor uso:
  • Para objetos en movimiento, para garantizar que la pieza permanezca completamente dentro del área de detección.
  • Para optimizar la velocidad de procesamiento reduciendo la cantidad de datos de imagen analizados.

2. Un punto rojo visual que muestra el centro de todas las ROIs (Regions of Interest) definidas en la imagen.

• Propósito: Ayuda a alinear y posicionar la región de búsqueda en relación con la pieza o la vista de la cámara.

3. La línea verde indica que se ha detectado el borde del objeto.

tip

Si observa que la línea cambia a rojo, intente aumentar el tamaño de la ROI, ajustar la ROI o aumentar la Sensibilidad.

ROI (Region of Interest) Definición y Optimización

Inspection Types

• Qué es: Define el tipo de inspección que se está realizando y agrupa ROIs (Regiones de Interés) similares.
• Ejemplo: “Holes” para verificar la presencia, tamaño o calidad de agujeros en una pieza.
• Características clave:
  • Agregar Tipo de Inspección: Cree nuevas categorías para diferentes requisitos de inspección.
  • Número de ROIs: Muestra cuántas ROIs están actualmente asignadas a ese tipo de inspección.

Transformation

• Qué es: Ajusta la posición y geometría de las ROIs seleccionadas para una alineación y colocación precisas.
• Campos y su propósito:
  • Altura/Anchura: Cambia el tamaño de la ROI.
  • X / Y: Mueve la posición de la ROI a lo largo de los ejes horizontal (X) y vertical (Y).
  • Ángulo: Rota la ROI alrededor de su centro.
• Uso recomendado: Acelera la configuración cuando tengas patrones repetitivos, como múltiples agujeros idénticos.

Inspection Regions

• Qué es: Una lista de todas las ROIs definidas en la imagen de plantilla.
• Características:
  • Agregar Región de Inspección: Cree una ROI nueva manualmente.
  • Regiones a ignorar: Excluye regiones específicas del procesamiento.
  • Editar: Guardar, eliminar o cancelar.
  • Icono de bloqueo: Indica ROIs bloqueadas que no se pueden mover sin desbloquear.

Live Preview Mode

• Qué es: Muestra retroalimentación en tiempo real después de ajustar o agregar ROIs.
• Caso de uso: Ideal para ajuste fino de las posiciones y tamaños de las ROIs durante la configuración.

Test Button

• Qué es: Ejecuta backtesting basado en imágenes antiguas para verificar cambios.
• Caso de uso: Para comparar los resultados actuales con configuraciones anteriores para precisión y consistencia.

Data Collection and AI Training

Defina diferentes clases de inspección y etiquete cada ROI según su tipo de inspección designado (vea el ejemplo a continuación).

Utilice las herramientas de anotación para etiquetar y anotar la imagen. Utilice el menú desplegable Brush Class para seleccionar la clase a anotar. El límite actual es de hasta 10 clases por receta para segmentación.

Importancia de buenos datos

• Garbage In, Garbage Out (GIGO): Los modelos de IA solo pueden ser tan buenos como los datos que se les proporcionan. Datos de mala calidad o inconsistentes conducen a resultados inexactos.

• La diversidad importa: Recolecta datos que representen todas las variaciones del mundo real: diferentes turnos, condiciones de iluminación, posiciones de las piezas y condiciones de la superficie.

• Calidad sobre cantidad: Un conjunto de datos más pequeño, limpio y bien etiquetado suele rendir mejor que un conjunto grande pero ruidoso o inconsistente.

Conceptos básicos de anotación:

• Clasificación: Etiqueta imágenes completas o ROIs como una clase específica (p. ej., “Bueno”, “Dañado”).
• Segmentación: Pintar con el pincel, delinear o resaltar áreas de interés específicas con precisión de píxeles (p. ej., ubicación de un arañazo en una superficie).
• Consistencia: Utiliza reglas y definiciones consistentes para el etiquetado para evitar confusiones durante el entrenamiento.

Errores comunes

• Datos insuficientes: Demasiadas pocas muestras darán lugar a subentrenamiento, lo que provocará un rendimiento deficiente en el mundo real.
• Clases desequilibradas: La sobrerepresentación de una clase (p. ej., muchas piezas “buenas” pero pocas defectuosas) sesga el modelo.
• Etiquetado deficiente: Etiquetado incorrecto, inconsistente o apresurado conduce a caídas significativas de la precisión.
• Ignorar cambios del entorno: No actualizar el conjunto de datos cuando cambia la iluminación, la orientación de las piezas o las condiciones de la superficie provoca deriva en la precisión.
• No validar los datos: Omitir controles de calidad antes del entrenamiento a menudo resulta en pérdida de tiempo y retrabajo.

Añadiendo Datos y Reentrenamiento

Image augmentations modifican de forma artificial sus imágenes de entrenamiento para mejorar la robustez del modelo. Estas simulaciones reproducen variaciones del mundo real, como cambios de iluminación, rotaciones o ruido, para que el modelo funcione adecuadamente en distintas condiciones.

Augmentaciones de Color

Brillo

• Qué es: Ajusta qué tan clara u oscura aparece la imagen.
• Caso de uso: Para manejar ligeros cambios en la iluminación durante la producción.

tip

Utilice ±0.1 para configuraciones estables; aumente si la iluminación varía más.

Contraste

• Qué es: Cambia la diferencia entre las áreas claras y oscuras.
• Caso de uso: Útil para piezas con textura o superficies variadas para ayudar al modelo a adaptarse a diferencias visuales.

Tono

• Qué es: Desplaza ligeramente los tonos de color.
• Caso de uso: Bueno para configuraciones donde el color de la iluminación (p. ej., temperatura de LED) podría desplazarse con el tiempo.

Saturación

• Qué es: Ajusta la intensidad de los colores.
• Caso de uso: Ayuda a manejar variaciones en la iluminación que hacen que las imágenes parezcan más opacas o más vibrantes.

Augmentaciones Geométricas

Rango de Rotación

• Qué es: Rota la imagen de forma aleatoria dentro del rango establecido (p. ej., ±20°).
• Caso de uso: Para piezas que pueden llegar en posiciones ligeramente giradas.

tip

Evite rotación excesiva para piezas que normalmente están fijas en su orientación.

Volteo

• Qué es: Voltea la imagen horizontalmente, verticalmente o en ambas direcciones.
• Caso de uso: Útil para piezas simétricas o cuando la orientación puede invertirse durante el manejo.

Simulación de Iluminación y Color

Planckiano

• Qué es: Simula variaciones en la temperatura de color (p. ej., iluminación cálida o fría).
• Caso de uso: Permite manejar variaciones de iluminación entre células de trabajo con diferentes fuentes de luz.

Ruido Gaussiano

• Qué es: Añade un ruido sutil a la imagen.
• Caso de uso: Mejora la robustez si su entorno de producción presenta ruido visual pequeño o artefactos del sensor de la cámara.

Simulación de Movimiento

Desenfoque por Movimiento

• Qué es: Simula un ligero desenfoque tal como si la pieza se moviera durante la captura.
• Caso de uso: Crítico para líneas de alta velocidad donde puede ocurrir desenfoque por movimiento.

Probabilidad (prob)

• Qué es: Establece la probabilidad de aplicar cada augmentación durante el entrenamiento.
• Ejemplo: 0.50 = 50% de probabilidad de aplicar ese cambio a cualquier imagen de entrenamiento dada.

tip

Comience con 0.5 para la mayoría de las augmentaciones y ajuste según la variabilidad del mundo real.

Parámetros de Entrenamiento (Segmentación)

Los parámetros de entrenamiento (también llamados hiperparámetros) son los ajustes que controlan cómo aprende un modelo de aprendizaje automático a partir de los datos.

Tasa de Aprendizaje

• Definición: Controla qué tan rápido el modelo actualiza sus pesos internos durante el entrenamiento.
• Valor (0.003): Cuanto mayor sea la tasa de aprendizaje, más rápido aprende el modelo, pero demasiado alta puede provocar inestabilidad o baja precisión.
• Rango del control deslizante: Desde 10^-4 (muy lento) hasta 10^-1 (muy rápido).

tip

Por lo general, un valor entre 0.001–0.01 es un buen punto de partida para tareas de segmentación.

Tamaño de ROI (Región de Interés)

• Definición: Define el tamaño (ancho × alto) del área de la imagen que se utiliza durante el entrenamiento.
• Desmarcado: Por defecto, el modelo determina automáticamente la ROI en función de sus datos.
• Cuando esté marcado: Puede establecer manualmente el ancho y la altura si necesita dimensiones de entrada consistentes (por ejemplo, todas las imágenes recortadas a 256×256 píxeles).

tip

Utilice un tamaño fijo (p. ej., 256×256) cuando su conjunto de datos contenga imágenes de tamaños diferentes y necesite una entrada consistente para una mayor estabilidad, reproducibilidad o para coincidir con una arquitectura de modelo conocida.

Deje que se elija automáticamente cuando sus datos ya tengan una resolución uniforme o cuando desee que el sistema optimice para la mejor región de interés en función de las características de su conjunto de datos.

Número de Iteraciones (Épocas)

• Definición: Una Época = una pasada completa por todo el conjunto de datos de entrenamiento.
• Valor (100): El modelo se entrenará durante 100 pasadas completas.

tip

Aumentar este número usualmente mejora la precisión hasta cierto punto, pero toma más tiempo.

Regla general: supervise la pérdida de entrenamiento y de validación durante el entrenamiento. Si la pérdida de validación deja de disminuir mientras la pérdida de entrenamiento continúa descendiendo, es señal de que el modelo está sufriendo de sobreajuste y debería detener el entrenamiento antes.

Arquitectura

• Definición: Define el tamaño y la complejidad de la red neuronal.
• Pequeño: Se entrena más rápido y, a menudo, es suficiente para la mayoría de los conjuntos de datos. Ideal para experimentación rápida o conjuntos de datos más pequeños.
• Modelos más grandes pueden capturar más detalle, pero pueden sobreajustarse en conjuntos de datos pequeños, mientras que los modelos más pequeños son más eficientes y generalizan mejor cuando los datos son limitados.

tip

Comience con Pequeño; a menudo es suficiente y le ayudará a iterar más rápido antes de escalar.

GPU Externa

Póngase en contacto con Soporte para obtener más información sobre External GPU.

Parámetros de Entrenamiento (Clasificación)

Los parámetros de entrenamiento (también llamados hiperparámetros) son los ajustes que controlan cómo aprende un modelo de aprendizaje automático a partir de los datos.

Tasa de Aprendizaje

• Definición: Controla la rapidez con la que el modelo actualiza sus pesos internos durante el entrenamiento.
• Valor (0.003): Cuanto mayor sea la tasa de aprendizaje, más rápido aprenderá el modelo, pero un valor demasiado alto puede provocar inestabilidad o precisión deficiente.
• Rango deslizante: desde 10^-4 (muy lento) hasta 10^-1 (muy rápido).

tip

Por lo general, un valor entre 0.001–0.01 es un punto de partida adecuado para tareas de segmentación.

Porcentaje de Validación

• Definición: Define qué porción de su conjunto de datos se reservará para validación (pruebas durante el entrenamiento).
• Propósito: Los datos de validación ayudan a monitorear qué tan bien se desempeña el modelo en ejemplos no vistos, evitando el sobreajuste.
• Rango: 0–50%.

tip

Las opciones comunes son del 10% al 20%.

Si se establece en 0%, todos los datos se utilizan para el entrenamiento, lo que puede mejorar la precisión de entrenamiento pero dificulta detectar el sobreajuste.

::

ROI (Region of Interest) tamaño

• Definición: Define el tamaño (ancho × alto) del área de imagen utilizada durante el entrenamiento.
• Sin marcar: Por defecto, el modelo determina automáticamente ROI basándose en sus datos.
• Cuando está marcado: Puede establecer manualmente el ancho y la altura si necesita dimensiones de entrada consistentes (por ejemplo, todas las imágenes recortadas a 256×256 píxeles).

tip

Utilice un tamaño fijo (p. ej., 256×256) cuando su conjunto de datos tenga imágenes de diferentes tamaños y desee una entrada consistente para una mejor estabilidad, reproducibilidad o para coincidir con una arquitectura de modelo conocida.

Deje que el sistema seleccione automáticamente cuando sus datos ya tengan una resolución uniforme o cuando desee que el sistema optimice la mejor región de interés (ROI) basada en las características de su conjunto de datos.

Número de Iteraciones (Épocas)

• Definición: Una época = una pasada completa por todo el conjunto de datos de entrenamiento.
• Valor (100): El modelo se entrenará durante 100 pasadas completas.

tip

Aumentar este número suele mejorar la precisión hasta cierto punto, pero toma más tiempo.

Regla general: Controle la pérdida de entrenamiento y de validación durante el entrenamiento. Si la pérdida de validación deja de disminuir mientras la pérdida de entrenamiento continúa descendiendo, es una señal de que el modelo está sobreajustándose y debe detener el entrenamiento antes.

Arquitectura

• Definición: Selecciona el tamaño y la complejidad de la red neuronal.
• Small: Entrena más rápido y, a menudo, es suficiente para la mayoría de los conjuntos de datos. Ideal para experimentación rápida o conjuntos de datos más pequeños.

tip

Comience con Small; a menudo es suficiente y le ayuda a iterar más rápido antes de escalar.

Arquitectura y Cámara	Descripción	Uso Recomendado
ConvNeXt-Pico	Modelo ultraligero optimizado para velocidad y bajo uso de memoria.	Ideal para experimentos rápidos o hardware limitado.
ConvNeXt-Nano	Un poco más grande que Pico; mayor precisión con costo mínimo adicional.	Buen equilibrio para conjuntos de datos pequeños a medianos.
ConvNeXt-Tiny	Ofrece mayor precisión mientras sigue siendo eficiente.	Adecuado para conjuntos de datos moderados y ejecuciones de entrenamiento más largas.
ConvNeXt-Small	La variante más capaz de esta lista. Mayor capacidad y precisión.	Úselo para conjuntos de datos grandes o cuando se necesite máximo rendimiento.

External GPU

Póngase en contacto con el Soporte para obtener más información sobre la GPU Externa.