Clasificador vs Segmentador
Esta página explica los dos tipos de modelos de IA disponibles en el sistema OV20i y ayuda a elegir el enfoque adecuado para sus necesidades de inspección.
Ov10i no tiene capacidades de segmentación.
Dos tipos de proyectos
OV20i ofrece dos enfoques distintos de modelos de IA para diferentes requisitos de inspección:
- Clasificación - enfoque "Gatos vs. Perros"
- Segmentación - enfoque "¿Dónde está Waldo?"
Modelos de Clasificación
¿Qué es la Clasificación?
Cree una Receta de Clasificación para entrenar un modelo de aprendizaje profundo para clasificar una imagen en diferentes clases según sus características visuales.
El enfoque "Gatos vs. Perros": La clasificación es adecuada para proyectos donde la imagen puede estar en uno de un número discreto de estados (p. ej., bueno vs. malo, pero con cualquier número de clases).
Modalidades de Entrenamiento de Clasificación
La clasificación ofrece dos enfoques de entrenamiento distintos:
⚡ Clasificador Rápido
- Propósito: Configuración y pruebas rápidas
- Caso de uso: Prototipado rápido y prueba de concepto
- Velocidad: Tiempo de entrenamiento más rápido
- Precisión: Precisión inferior
- Listo para Producción: ❌ No recomendado para producción
Clasificador Preciso/Listo para Producción
- 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 de Producción
Ejemplo 1: Detección de tuerca floja (Ensamble OEM)
Tarea: Identificar tuercas flojas en montajes mecánicos
Configuración:
- ROI: Rectángulo alrededor del área de la tuerca
- Clases:
- ✅ Bueno - Tuerca correctamente apretada (Aprobado 100%)
- ❌ Defecto - Tuerca floja (Fallo 98%)
Resultado: Decisión binaria - la tuerca está correctamente asentada o suelta
Ejemplo 2: Verificación de asentamiento del eje (Ensamble OEM)
Tarea: Identificar ejes parcialmente asentados
Configuración:
- ROI: Rectángulo que cubre el área de montaje del eje
- Clases:
- ✅ Bueno - Eje totalmente asentado
- ❌ Defecto - Eje parcialmente asentado
- ❌ Defecto - Eje completamente fuera
Resultado: El componente se clasifica como instalado correctamente 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 diferencia entre clavija buena y clavija mala
Modelos de Segmentación
¿Qué es la Segmentación?
Cree una Receta de Segmentación para entrenar un modelo de aprendizaje profundo que tome una imagen y segmente clases a nivel de píxel basado en defectos etiquetados. Al operar a nivel de píxel, esta herramienta es útil para inspecciones que requieren un control más fino sobre las etiquetas.
El enfoque "¿Dónde está Waldo?"
La segmentación es más adecuada para proyectos donde el defecto puede adoptar una variedad de formas y tamaños, pero aparece en una variedad de ubicaciones (p. ej., buscar rayones y abolladuras).
Modo de Entrenamiento de Segmentación
Solo Precisión/Listo para Producción
- Propósito: Análisis a nivel de píxel listo para producción
- Entrenamiento: Modo único de alta precisión
- Velocidad: Mayor tiempo de entrenamiento para una clasificación de píxeles precisa
- Precisión: Alta precisión para mapeo detallado de defectos
- Listo para Producción: ✅ Optimizado para entornos de fabricación
Ejemplos de Segmentación de Producción
Ejemplo 1: Detección de defectos superficiales (Ensamble del proveedor T1)
Tarea: Identificar derrame de adhesivo
Configuración:
- ROI: Rectángulo alrededor de la superficie de la válvula
- Clases de píxel:
- Adhesivo (píxeles amarillos)
Resultado: Los resaltados amarillos muestran exactamente lo que el modelo de IA detectó como defectos, con imágenes crudas mostradas como referencia
Ejemplo 2: Medición del tamaño de la separación (Ensamble del proveedor T1)
Tarea: Verificar que la separación de la inspección tenga el tamaño correcto
Configuración:
- ROI: Rectángulo alrededor del área de la separación
- Lógica de medición: Condición de pase basada en valores de área de píxeles
- Clases:
- Píxel azul para indicar qué distancia se mide
- ✅ Bueno - Área <100 píxeles (Aprobado)
- ❌ Defecto - Área > 100 píxeles (Fallo)
Resultado: Medición precisa del tamaño del hueco con conteo de píxeles exacto
Ejemplo 3: Salpicaduras de pintura
Tarea: Identificar la ausencia de salpicaduras de pintura
Configuración:
- ROI: Rectángulo alrededor de la región de inspección
- Clases de píxel:
- Píxel amarillo para enseñar cómo luce la pintura
Resultado: Detección a nivel de píxel de salpicaduras de pintura
Cuándo elegir cada modelo
Elegir Clasificación Cuando:
Decisiones de estado discreto:
- ✅ Necesita una clasificación simple bueno/malo
- ✅ El ROI completo puede etiquetarse como una de varias clases
- ✅ La evaluación de la condición general es suficiente
- ✅ Ubicaciones de defecto fijas se esperan
- ✅ 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
Elegir Segmentación Cuando:
Análisis de ubicación variable:
- ✅ Los defectos pueden aparecer en cualquier lugar dentro del área de inspección
- ✅ Necesita medir tamaño o área de defectos
- ✅ Múltiples tipos de defectos pueden existir en una imagen
- ✅ Mapeo de ubicación preciso es necesario
- ✅ Los tiempos de ciclo más rápidos son críticos para la producción
Mejor para: defectos superficiales, mediciones de huecos, verificación de cobertura, defectos con ubicación variable
Rendimiento comparativo
Rendimiento del Tiempo de Ciclo
| Tipo de Modelo | Velocidad de Inspección | Mejor Caso de Uso |
|---|---|---|
| Segmentación | ⚡ El más rápido | Líneas de producción de alta velocidad |
| Clasificación (Precisa) | Más lenta | Inspecciones críticas de calidad |
| Clasificación (Rápida) | Medio | Pruebas y prototipado |
Los modelos de segmentación proporcionan los tiempos de ciclo de inspección más rápidos, lo que los hace idóneos 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: Modo único de alta precisión optimizado para producción