Classifier vs Segmenter
This page explains the two AI model types available in the OV20i system and helps you choose the right approach for your inspection needs.
OV10i no tiene capacidades de segmentación.
Dos tipos de proyectos
The OV20i offers two distinct AI model approaches for different inspection requirements:
- Classification - "Cats vs. Dogs" approach
- Segmentation - "Where's Waldo?" approach
Modelos de Clasificación
¿Qué es Clasificación?
Create a Classification Recipe to train a deep-learning model to categorize an image into different classes based on its visual characteristics.
The "Cats vs. Dogs" Approach: Classification is best suited for projects where the image can be one of a discrete number of states (e.g., good vs. bad, but with any number of classes).
Modos de Entrenamiento de Clasificación
Classification offers two distinct training approaches:
⚡ Fast Classifier
- Propósito: Configuración rápida y pruebas
- Caso de uso: Prototipado rápido y prueba de concepto
- Velocidad: Tiempo de entrenamiento más rápido
- Precisión: Menor precisión
- Listo para producción: ❌ No recomendado para producción
Accurate/Production Classifier
- Propósito: Inspecciones listas para producción
- Caso de uso: Despliegue final y fabricación
- Velocidad: Mayor tiempo de entrenamiento
- Precisión: Mayor precisión
- Listo para producción: ✅ Modelo de entrenamiento principal para mejores resultados
Ejemplos de Clasificación en Producción
Ejemplo 1: Detección de tuerca suelta (ensamble OEM)
Tarea: Identificar tuercas sueltas en ensamblajes mecánicos
Configuración:
- ROI: Rectángulo alrededor del área de la tuerca
- Clases:
- ✅ Bueno - Tuerca adecuadamente apretada (Aprobado 100%)
- ❌ Defecto - Tuerca suelta (Fallo 98%)
Resultado: Decisión binaria - la tuerca está correctamente asentada o suelta
Ejemplo 2: Verificación de colocación de eje (ensamble OEM)
Tarea: Identificar ejes parcialmente asentados
Configuración:
- ROI: Rectángulo que cubre el área de montaje del eje
- Clases:
- ✅ Bueno - Eje completamente asentado
- ❌ Defecto - Eje parcialmente asentado
- ❌ Defecto - Eje completamente fuera
Resultado: El componente se clasifica como correctamente instalado o defectuoso
Ejemplo 3: Inspección de clavija doblada (Fabricación del proveedor T1)
Tarea: Verificar clavijas dobladas
Configuración:
- ROI: Rectángulo que cubre la matriz de clavijas del radiador
- Clases:
- ✅ Bueno - Clavija sin daños (Recta)
- ❌ Defecto - Clavijas dobladas/dañadas (Dobladas)
Resultado: El clasificador distingue entre una clavija buena y una clavija mala
Modelos de Segmentación
¿Qué es Segmentación?
Create a Segmentation Recipe to train a deep-learning model to take an image and segment classes at a pixel level based on labeled defects. By operating at a pixel level, this tool is useful for inspections that need finer-grained control over labels.
The "Where's Waldo?" Approach: Segmentation is best suited for projects where the defect can take a variety of shapes and sizes, but show up in a variety of locations (e.g., looking for scratches and dents).
Modo de Entrenamiento de Segmentación
Solo Precisión para Producción
- Propósito: Análisis a nivel de píxel listo para producción
- Entrenamiento: Modo único de alta precisión
- Velocidad: Mayor tiempo de entrenamiento para clasificación de píxeles precisa
- Precisión: Alta precisión para mapeo detallado de defectos
- Listo para producción: ✅ Optimizado para entornos de fabricación
Ejemplos de Segmentación en Producción
Ejemplo 1: Detección de defectos superficiales (Ensamble del proveedor T1)
Tarea: Identificar derrame de pegamento
Configuración:
- ROI: Rectángulo alrededor de la superficie de la válvula
- Clases de píxeles:
- Pegamento (píxeles amarillos)
Resultado: Los resaltados en amarillo muestran exactamente qué detectó el modelo de IA como defectos, con imágenes crudas mostradas como referencia
Ejemplo 2: Medición del tamaño del hueco (Ensamble del proveedor T1)
Tarea: Verificar que el hueco de la inspección tenga el tamaño correcto
Configuración:
- ROI: Rectángulo alrededor del área del hueco
- Lógica de medición: Condición de pase basada en valores de área de píxeles
- Clases:
- Píxel azul para enseñar cómo se ve la distancia
- ✅ Bueno - Área <100 píxeles (Pase)
- ❌ Defecto - Área > 100 píxeles (Fallo)
Resultado: Medición precisa del tamaño del hueco con conteo exacto de píxeles
Ejemplo 3: Salpicaduras de pintura
Tarea: Identificar que no hay salpicaduras de pintura
Configuración:
- ROI: Rectángulo alrededor de la región de inspección
- Clases de píxeles:
- Píxel amarillo para enseñar cómo se ve la pintura
Resultado: Detección a nivel de píxel de salpicaduras de pintura
Cuándo elegir cada modelo
Elija Classification cuando:
Decisiones de estado discreto:
- ✅ Necesita una clasificación simple de bueno/malo
- ✅ El ROI completo puede etiquetarse como una de varias clases
- ✅ Evaluación de la condición general es suficiente
- ✅ Se esperan UBICACIONES fijas de defectos
- ✅ Tiempos de ciclo más rápidos son aceptables durante la inspección
Mejor para: Decisiones Go/No-Go, presencia/ausencia de componentes, evaluación general de la calidad
Elija Segmentation cuando:
Análisis de ubicación variable:
- ✅ Los defectos pueden aparecer en cualquier lugar del área de inspección
- ✅ Necesita medir tamaño o área de los defectos
- ✅ Múltiples tipos de defectos pueden existir en una sola imagen
- ✅ Se requiere mapeo de ubicación preciso
- ✅ Los tiempos de ciclo más rápidos son críticos para la producción
Mejor para: Defectos superficiales, medición de huecos, verificación de cobertura, fallas de ubicación variable
Comparación de Rendimiento
Rendimiento de Tiempo de Ciclo
| Tipo de Modelo | Velocidad de Inspección | Mejor Caso de Uso |
|---|---|---|
| Segmentation | ⚡ Más rápido | Líneas de producción de alta velocidad |
| Classification (Accurate) | Más lento | Inspecciones críticas de calidad |
| Classification (Fast) | Medio | Pruebas y prototipado |
Los modelos de Segmentación proporcionan los tiempos de ciclo de inspección más rápidos, lo que los hace ideales para entornos de producción de alto rendimiento.
Resumen del Modo de Entrenamiento
Opciones de Entrenamiento de Clasificación
- Modo Rápido: Configuración rápida para pruebas (no listo para producción)
- Modo Preciso: Listo para producción con mayor precisión
Opciones de Entrenamiento de Segmentación
- Solo Modo Preciso: Un único modo de alta precisión optimizado para producción
🔗 Véase También
- Crear su Primera Receta
- Configuración de Inspección y Tipos de ROI
- Entrenar un Clasificador
- Usar el Segmenter
- Entrenar un Segmenter