Primera Creación de Recetas

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 un recorrido detallado de la configuración de Imaging Setup, la captura de una Imagen de Plantilla y la configuración del Alineador, la optimización de ROI (Regiones de Interés), la recopilación de datos para el entrenamiento de IA y la configuración de aumento de imágenes.

---

Objetivos de aprendizaje

Por menos de este profundizado, entenderá:

• 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 la Receta

¿Qué es una Receta?

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

Clasificación vs. Segmentación

Definiciones

• Clasificación: Identificar el tipo de objeto en la ROI (Región de Interés)
• Segmentación: Localizar y analizar regiones en la imagen/ROI

Ejemplos

¿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	Velocidad depende de Imaging Setup y de la complejidad. Generalmente eficiente y rápida con configuraciones simples	Puede ser tan rápido o incluso más rápido que la clasificación cuando se optimiza, especialmente con modelos simplificados
Precisión	Buena para la identificación general de pass/fail o del tipo de pieza	Mayor precisión para la localización de defectos con mayor detalle
Complejidad	Simple de configurar y mantener; menos parámetros	Compleja – Requiere más datos, etiquetado y ajuste
Requisitos 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 superficiales, inspección de características finas, detección de múltiples defectos, conteo, medición, etc.

Creación y Exportación de una Receta

Use el Export Recipe button junto a una Receta para exportar una Receta individual.

Use el botón Export en la parte superior de la pantalla para exportar varias Recetas de una vez.

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

nota

Recuerde: Cada Receta admite únicamente un tipo de inspección a la vez, ya sea segmentación o clasificación. Elija el tipo correcto antes de comenzar su configuración.

Configuración de Imagen

Rotación de Imagen

• Qué es: Gira la imagen (0° o 180°).
• Cuándo usarlo: Si la cámara está montada con un ángulo, pero desea que la imagen se muestre de la otra manera en la interfaz.

nota

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

Ganancia

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

Alta Ganancia	Baja Ganancia
Más brillante y con más ruido	Más oscura y con menos ruido

tip

Aumente la ganancia solo si no es posible ajustar la exposición o la iluminación.

Imagen de Plantilla 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 el/los área(s) de la imagen de plantilla que se utilizan para la alineación.
  • Rectángulo: Dibuja una región de interés rectangular.
  • Círculo: Dibuja una región de interés circular.
  • Ignorar Región de Plantilla: Excluir ciertas áreas de la alineación para evitar patrones distractores o características irrelevantes.
• Mejor uso: Ayuda al sistema a enfocarse solo en las características más distintivas de la pieza para una alineación precisa.

Rango de Rotación

• Qué es: Establece cuánta rotación (en grados) tolerará el sistema al hacer coincidir la pieza con la plantilla.
• Ejemplo: Configurar ±20° permite que la pieza rote ligeramente y aun así sea detectada.
• Cuándo ajustar: Aumentar si las piezas tienden a rotar durante la producción; reducir para orientaciones altamente consistentes.

Sensibilidad

• Qué es: Controla qué tan fino busca coincidencias entre la imagen en vivo y la plantilla.
• Efecto:
  • Alta sensibilidad → detecta detalles más sutiles, útil para piezas complejas.
  • Baja sensibilidad → 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 límite.
  • Umbral más bajo → más detecciones, pero con mayor riesgo de falsos positivos.

tip

Comience con un nivel moderado y ajuste según los resultados de las pruebas.

Scale Invariant

• 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 colocación, cambios de distancia o tolerancias de fabricación.

Live Preview Legend

1. Un bounding box configurable que define la región específica del campo FOV de la cámara para monitorizar durante la activación.

• Propósito: Garantiza que la cámara se enfoque solo en la 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 punto central de todas las ROIs (Regions of Interest) definidas en la imagen.

• Propósito: Le 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 detectó el borde del objeto.

tip

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

Definición y Optimización de ROI (Region of Interest)

Tipos de Inspección

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

Transformación

• Qué es: Ajusta la posición y geometría de 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.
• Mejor uso: Acelera la configuración cuando tienes patrones repetitivos, como múltiples agujeros idénticos.

Inspection Regions

• Qué es: Una lista de todas las ROI definidas en la imagen de plantilla.
• Funciones:
  • Añadir Región de Inspección: Crear una nueva ROI manualmente.
  • Regiones a Ignorar: Excluir regiones específicas del procesamiento.
  • Editar: Guardar, eliminar o cancelar.
  • Icono de Bloqueo: Indica ROI bloqueadas que no se pueden mover sin desbloquear.

Live Preview Mode

• Qué es: Muestra retroalimentación en tiempo real después de ajustar o añadir ROIs.
• Caso de uso: Ideal para el ajuste fino de las posiciones y tamaños de las ROI 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 previas para garantizar precisión y consistencia.

Data Collection and AI Training

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

Utilice las Annotation Tools para etiquetar/anotar la imagen. Use 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 los datos de buena calidad

• Entrada basura, salida basura: Los modelos de IA solo pueden ser tan buenos como los datos que se les alimentan. Datos de mala calidad o inconsistentes conducen a resultados imprecisos.

• La diversidad importa: Recopile 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 de datos grande pero ruidoso o inconsistente.

Fundamentos de Anotación:

• Clasificación: Etiquete imágenes completas o ROI como una clase específica (p. ej., “Good”, “Damaged”).
• Segmentación: Aplicar con pincel, delinear o resaltar áreas específicas de interés con precisión a nivel de píxel (p. ej., ubicación de rasguño en una superficie).
• Consistencia: Use reglas y definiciones consistentes para etiquetar para evitar confusiones durante el entrenamiento.

Common Pitfalls

• Datos insuficientes: Demasiadas pocas muestras llevarán a underfitting, lo que provocará un rendimiento deficiente en condiciones reales.
• 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 provoca caídas significativas de precisión.
• Ignorar cambios del entorno: No actualizar el conjunto de datos cuando cambian la iluminación, la orientación de la pieza o las condiciones de la superficie lleva a deriva en la precisión.
• No validar los datos: Omitir controles de calidad antes del entrenamiento a menudo resulta en pérdida de tiempo y retrabajo.

Aumento de Datos

Las augmentaciones de imágenes modifican artificialmente sus imágenes de entrenamiento para mejorar la robustez del modelo. Simulan variaciones del mundo real como cambios de brillo, rotaciones o ruido, para que el modelo funcione bien en diferentes condiciones.

Aumentos de Color

Brillo

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

tip

Use ±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.

Matiz

• 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 cambiar 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.

Aumentos Geométricos

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 entrar en posiciones ligeramente rotadas.

tip

Evite rotaciones excesivas para piezas que suelen fijarse en una orientación.

Voltear

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

Iluminación y Simulación de Color

Planckiano

• Qué es: Simula variaciones en la temperatura de color (p. ej., iluminación cálida o fría).
• Caso de uso: Maneja diferentes desplazamientos o celdas de trabajo con fuentes de luz variables.

Ruido Gaussiano

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

Simulación de Movimiento

Desenfoque de Movimiento

• Qué es: Simula un ligero desenfoque 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: Define la probabilidad de aplicar cada aumento 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 los aumentos y ajuste en función de 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 cuán rápido actualiza el modelo sus pesos internos durante el entrenamiento.
• Valor (0.003): Cuanto mayor sea la tasa de aprendizaje, más rápido aprende el modelo, pero si es demasiado alta 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 buen punto de partida para tareas de segmentación.

Tamaño de ROI (Región de Interés)

• Definición: Define el tamaño (ancho × alto) del área de imagen utilizada durante el entrenamiento.
• Desmarcado: Por defecto, el modelo determina automáticamente el ROI en función de 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 contenga imágenes de diferentes tamaños y desee una entrada consistente para mejorar la estabilidad, la reproducibilidad o para coincidir con una arquitectura de modelo conocida.

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

Número de Iteraciones (Épocas)

• Definición: Una época equivale a 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 normalmente mejora la precisión hasta cierto punto, pero toma más tiempo.

Regla general: Monitoree la pérdida de entrenamiento y la pérdida 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 sobreajustando y debería detener el entrenamiento antes.

Arquitectura

• Definición: Selecciona 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

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

GPU Externa

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

Parámetros de Entrenamiento (Clasificación)

Parámetros de entrenamiento (también llamados hiperparámetros) son los ajustes que controlan cómo un modelo de aprendizaje automático aprende 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 es la tasa de aprendizaje, más rápido aprende el modelo, pero un valor demasiado alto puede causar inestabilidad o baja precisión.
• Rango deslizante: De 10^-4 (muy lento) a 10^-1 (muy rápido).

tip

Generalmente, 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 funciona el modelo con ejemplos no vistos, evitando el sobreajuste.
• Rango: 0–50%.

tip

Las opciones comunes son 10–20%.

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

Tamaño de ROI (Región de Interés)

• Definición: Define el tamaño (ancho × alto) del área de imagen utilizada durante el entrenamiento.
• Sin marcar: Por defecto, el modelo determina automáticamente el ROI en función de 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 concordar con una arquitectura de modelo conocida.

Permita que lo elija automáticamente cuando sus datos ya tienen una resolución uniforme o cuando desee que el sistema optimice la mejor ROI basada en las características de su conjunto de datos.

Número de Iteraciones (Épocas)

• Definición: Una época = un pase completo por todo el conjunto de datos de entrenamiento.
• Valor (100): El modelo se entrenará durante 100 pases completos.

tip

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

Regla de oro: Monitoree la pérdida de entrenamiento y de validación durante el entrenamiento. Si la pérdida de validación deja de disminuir mientras la pérdida de entrenamiento continúa cayendo, es señal de que el modelo está sobreajustándose y debería detener el entrenamiento antes.

Arquitectura

• Definición: Selecciona el tamaño y la complejidad de la red neuronal.
• Small: Se entrena más rápido y suele ser suficiente para la mayoría de 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 consumo de memoria.	Excelente para experimentos rápidos o hardware limitado.
ConvNeXt-Nano	Un poco más grande que Pico; mejor precisión con costo mínimo adicional.	Buen equilibrio para conjuntos de datos pequeños–medianos.
ConvNeXt-Tiny	Ofrece mayor precisión mientras sigue siendo eficiente.	Recomendado 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.

GPU Externa

Contacte al Soporte para obtener más información sobre la GPU externa.