Primera Creación de Receta

Este recorrido detallado explica qué es una Receta, describe las diferencias entre Clasificación y Segmentación, y ofrece una guía paso a paso para crear una Receta. También incluye un recorrido detallado de la configuración de Imaging Setup, la captura de Template Image y la configuración de Alignment, la optimización de ROI, la recopilación de datos y el entrenamiento de IA, así como la configuración de augmentación de imágenes.

Guía en Video

Vea este tema en acción: Cómo crear una receta de segmentación en minutos

---

Learning Objectives

Al finalizar este recorrido, 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 Template Image y configurar el Aligner
• qué son las ROI (Regions of Interest) y cómo optimizarlas
• la recopilación de datos para el entrenamiento de IA
• Pruebas y Validación de la Receta

What is a Recipe?

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

Clasificación vs. Segmentación

Definiciones

• Clasificación: Identificar el tipo de objeto en la ROI (Region of Interest)
• 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 qué objeto?	¿Es esta pizza aceptable o defectuosa?	¿Dónde está cada pepperoni?

Comparación Clave

	Clasificación	Segmentación
Velocidad	La velocidad depende de la configuración de Image Setup y de la complejidad. Generalmente es eficiente y rápida con configuraciones simples	Puede ser tan rápida o incluso más rápida que la clasificación cuando está optimizada, especialmente con modelos simplificados
Precisión	Buena para la identificación general depasa/falla o tipo de pieza	Mayor precisión para la localización de defectos precisos
Complejidad	Simple de configurar y mantener; menos parámetros	Complejo – 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 de superficie, inspección de rasgos finos, detección de múltiples defectos, conteo, medición, etc.

Crear y Exportar 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 varias Recetas a la vez.

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

nota

Recordatorio: Cada receta admite solo 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 la Imagen

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

nota

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

Ganancia

• Qué es: Aumenta digitalmente la luminosidad de la imagen (como ISO en una cámara).
• Efecto:
  • Ganancia alta → imagen más brillante, pero añade ruido (apariencia granulada).
  • 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

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

Imagen de Plantilla y Alineación

Saltar Alineador

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

Regiones de Plantilla

• Qué es: Define el área(s) de la imagen de plantilla utilizadas 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 de la pieza más distintivas para una alineación precisa.

Rango de Rotación

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

Sensibilidad

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

Umbral de Confianza

• Qué es: Establece la puntuación mínima de confianza 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 de forma moderada y ajuste según los resultados de las pruebas.

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

• Propósito: Asegura 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 punto central de todas las ROIs (Regiones de Interés) 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 detecta 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 (Regiones de Interés)

Tipos de Inspección

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

Transformación

• Qué es: Ajusta la posición y geometría de las ROIs seleccionadas para una alineación y colocación precisas.
• Campos y su propósito:
  • Altura/Ancho: 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 se tienen patrones repetitivos, como múltiples agujeros idénticos.

Regiones de Inspección

• Qué es: Una lista de todas las ROI definidas en la imagen de plantilla.
• Funciones:
  • Agregar 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.

Modo de Vista Previa en Vivo

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

Botón de Prueba

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

Recolección de Datos y Entrenamiento de AI

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

Utilice las Herramientas de anotación para etiquetar/anotar la imagen. Utilice el menú desplegable Clase de Pincel para seleccionar la clase a etiquetar. El límite actual es de hasta 10 clases por receta para segmentación.

Importancia de los datos de calidad

• Garbage In, Garbage Out: Los modelos de AI solo pueden ser tan buenos como los datos que les alimentas. Datos de mala calidad o inconsistentes conducen a resultados inexactos.

• La diversidad es importante: 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 uno grande pero ruidoso o inconsistente.

Fundamentos de anotación:

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

Errores comunes

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

Aumento de Datos

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

Augmentaciones de Color

Brillo

• Qué es: Ajusta cuán claro u oscuro se ve la imagen.
• Caso de uso: Para manejar cambios leves 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.

Matiz

• Qué es: Desplaza ligeramente los tonos de color.
• Caso de uso: Útil para configuraciones donde el color de la iluminación (p. ej., temperatura de color de la iluminación LED) podría variar 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 aleatoriamente dentro del rango establecido (p. ej., ±20°).
• Caso de uso: Para piezas que pueden venir en posiciones ligeramente rotadas.

tip

Evite rotaciones excesivas para piezas que suelen estar fijas 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 invertirse 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 cambios de temperatura de color o celdas de trabajo con fuentes de iluminación variables.

Ruido Gaussiano

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

Simulación de Movimiento

Desenfoque por 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: 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 en función de la variabilidad del mundo real.

Parámetros de Entrenamiento (Segmentación)

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 la tasa de aprendizaje, más rápido aprende el modelo, pero demasiado alta puede causar inestabilidad o poca 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 imagen utilizada durante el entrenamiento.
• Sin seleccionar: Por defecto, el modelo determina automáticamente ROI basándose en tus datos.
• Al seleccionar: Puedes establecer manualmente el ancho y la altura si necesitas dimensiones de entrada consistentes (por ejemplo, todas las imágenes recortadas a 256×256 píxeles).

tip

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

Déjelo que lo elija automáticamente cuando tus datos ya tengan una resolución uniforme o cuando quieras que el sistema optimice para la mejor región de interés basada en las características de tu conjunto de datos.

Número de Iteraciones (Épocas)

• Definición: Una época es una pasada completa a través de 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: Monitoree la pérdida de entrenamiento y de validación durante el entrenamiento. Si la pérdida de validación deja de disminuir mientras la pérdida de entrenamiento sigue bajando, es una 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, a menudo, es suficiente para la mayoría de 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

Comienza con Small, suele ser suficiente y te ayuda a iterar más rápido antes de escalar.

GPU Externo

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

Parámetros de Entrenamiento (Clasificación)

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

Tasa de Aprendizaje

• Definición: Controla qué tan rápidamente 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 demasiado alta puede causar 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.

Porcentaje de Validación

• Definición: Define qué porción de tu 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 en ejemplos no vistos, previniendo el sobreajuste.
• Rango: 0–50%.

tip

Las elecciones 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 (Region of Interest)

• Definición: Define el tamaño (ancho × alto) del área de imagen utilizada durante el entrenamiento.
• No marcado: Por defecto, el modelo determina automáticamente la 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 una mejor estabilidad, reproducibilidad o para coincidir con una arquitectura de modelo conocida.

Deje que el sistema elija automáticamente cuando sus datos ya tengan una resolución uniforme o cuando desee que el sistema optimice para la mejor ROI según 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 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 una 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.
• 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 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 rapidez y bajo uso de memoria.	Ideal para experimentos rápidos o hardware limitado.
ConvNeXt-Nano	Un poco más grande que Pico; mejor precisión con costo adicional mínimo.	Buen equilibrio para conjuntos de datos pequeños–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.	Útil para conjuntos de datos grandes o cuando se necesita máximo rendimiento.

GPU Externa

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