Clasificador vs Segmentador
Esta página explica los dos tipos de modelos de IA disponibles en el sistema OV80i y ayuda a elegir el enfoque correcto para sus necesidades de inspección.
Dos tipos de proyectos
El OV80i ofrece dos enfoques distintos de modelos de IA para diferentes requisitos de inspección:
- Clasificación - enfoque "Cats vs. Dogs"
- Segmentación - enfoque "Where's Waldo?"
Modelos de Clasificación
¿Qué es la Clasificación?
Cree una Receta de Clasificación para entrenar un modelo de aprendizaje profundo que clasifique una imagen en diferentes clases según sus características visuales.
El enfoque "Cats vs. Dogs": La clasificación es más adecuada para proyectos donde la imagen puede pertenecer a un número discreto de estados (p. ej., bueno vs. malo, pero con cualquier número de clases).
Modos de Entrenamiento de Clasificación
La Clasificación ofrece dos enfoques de entrenamiento distintos:
-
⚡ Clasificador Rápido
- 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
-
Clasificador Preciso/Listo para Producción
- Propósito: Inspecciones listas para producción
- Caso de uso: Implementación final y fabricación
- Velocidad: Mayor tiempo de entrenamiento
- Precisión: Mayor precisión
- Listo para Producción: ✅ Modelo de entrenamiento principal para obtener mejores resultados
Ejemplos de Clasificación en Producción
Ejemplo 1: Detección de Tuerca Suelta (Montaje OEM)
Tarea: Identificar tuercas sueltas en montajes mecánicos
Configuración:
- ROI: Rectángulo alrededor del área de la tuerca
- Clases:
- ✅ Bueno - Tuerca correctamente ajustada (Aprobado 100%)
- ❌ Defecto - Tuerca suelta (Rechazado 98%)
Resultado: Decisión binaria - la tuerca está correctamente asentada o suelta
Ejemplo 2: Verificación de Encaje de Eje (Montaje 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 Pasadores del Radiador (Fabricación del Proveedor T1)
Tarea: Verificar abolladuras en pasadores individuales del radiador
Configuración:
- ROI: Rectángulo que cubre la matriz de pasadores del radiador
- Clases:
- ✅ Bueno - Pasador sin daños (Recto)
- ❌ Defecto - Pasadores doblados/dañados (Doblados)
Resultado: El clasificador diferencia entre un pasador bueno y uno malo
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 las clases a nivel de píxel basándose 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 "Where's Waldo?"
La segmentación es más adecuada para proyectos en los que el defecto puede tomar diversas formas y tamaños, pero aparece en ubicaciones variadas (p. ej., buscar rayones y abolladuras).
Modo de Entrenamiento de Segmentación
- Solo Precisión/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 con alta precisión
- 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 de Superficie (Ensamble del Proveedor T1)
Tarea: Identificar derrames de adhesivo
Configuración:
- ROI: Rectángulo alrededor de la superficie de la válvula
- Píxel Clases:
- Adhesivo (píxeles amarillos)
Resultado: Los resaltados en amarillo muestran exactamente lo que el modelo de IA detectó como defectos, con imágenes sin procesar 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 de hueco
- Lógica de Medición: Condición de pase basada en valores de área de píxeles
- Clases:
- ✅ Bueno - Área <100 píxeles (Pase)
- ❌ Defecto - Área > 100 píxeles (Fallo)
Resultado: Medición precisa del tamaño del hueco con conteo exacto de píxeles
Ejemplo 3: Mancha de Pintura
Tarea: Verificar que no haya salpicaduras de pintura
Configuración:
- ROI: Rectángulo que cubre el área de instalación de la espuma
- Clases de píxel:
- Píxel amarillo para enseñar cómo se ve 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 de bueno/malo
- ✅ Todo el ROI puede etiquetarse como una de varias clases
- ✅ La evaluación de la condición general es suficiente
- ✅ Ubicaciones fijas de defectos 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 calidad
Elegir Segmentación Cuando:
Análisis de ubicación variable:
- ✅ Los defectos pueden aparecer en cualquier lugar dentro del área de inspección
- ✅ Necesita medir el tamaño o el área de defectos
- ✅ Múltiples tipos de defectos pueden existir en una sola imagen
- ✅ Mapeo de ubicación preciso es necesario
- ✅ Los tiempos de ciclo más rápidos son críticos para la producción
Mejor para: defectos de superficie, medición de huecos, verificación de cobertura, defectos de ubicación variable
Comparación de Rendimiento
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) | Media | Pruebas y prototipos |
Los modelos de Segmentación proporcionan los ciclos 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: Modo único de alta precisión optimizado para producción