DOCUMENTACIÓN CON IA
¿Qué desea saber?
Clasificador vs Segmentador
Para detección de defectos a nivel de píxel o para inspeccionar múltiples características simultáneamente, considere la OV20i o la OV80i, las cuales admiten modelos de segmentación.
Esta página explica los dos tipos de modelos de IA disponibles en el sistema OV10i y le ayuda a elegir el enfoque correcto para sus necesidades de inspección.
Para explicaciones visuales con diagramas y un entorno práctico:
- Entendiendo el Clasificador — cómo se anidan los Tipos, Clases y ROIs; un entorno interactivo de clasificador en vivo (OV10i)
- Entendiendo el Segmentador — máscaras a nivel de píxel, paletas, conteo y medición; un entorno interactivo de segmentador estilo pintura (OV20i, ya que la OV10i es solo clasificador)
La OV10i no cuenta con capacidades de segmentación.
Use el Defect Creator Studio para generar imágenes sintéticas fotorrealistas de defectos — describa el defecto en inglés sencillo y obtenga imágenes listas para entrenamiento en segundos.
Dos Tipos de Proyectos
La OV10i ofrece dos enfoques distintos de modelos de IA para diferentes requisitos de inspección:
- Clasificación - Enfoque "Gatos vs. Perros"
- Segmentación - Enfoque "¿Dónde está Wally?"
Modelos de Clasificación
¿Qué es la Clasificación?
Cree una receta de Clasificación para entrenar un modelo de aprendizaje profundo que categorice una imagen en diferentes clases con base en sus características visuales.
El Enfoque "Gatos vs. Perros": La clasificación es más adecuada para proyectos en los que la imagen puede ser uno de un número discreto de estados (por ejemplo, bueno vs. malo, pero con cualquier número de clases).
Modos de Entrenamiento de Clasificación
La clasificación ofrece dos enfoques de entrenamiento distintos:
⚡ Fast Classifier
- Propósito: Configuración y pruebas rápidas
- 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: Implementación final y manufactura
- Velocidad: Tiempo de entrenamiento más prolongado
- Precisión: Mayor precisión
- Listo para Producción: ✅ Modelo de entrenamiento principal para los mejores resultados
Ejemplos de Clasificación en Producción
Ejemplo 1: Detección de Tuerca Floja (Ensamble OEM)
Tarea: Identificar tuercas flojas en ensambles mecánicos
Configuración:
- ROI: Rectángulo alrededor del área de la tuerca
- Clases:
- ✅ Bueno - Tuerca correctamente apretada (Aprobar 100%)
- ❌ Defecto - Tuerca floja (Fallar 98%)
Resultado: Decisión binaria - la tuerca está correctamente asentada o floja
Ejemplo 2: Verificación de Asentamiento de 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 totalmente fuera
Resultado: El componente se categoriza como correctamente instalado o defectuoso
Ejemplo 3: Inspección de Pin Doblado (Fabricación de Proveedor T1)
Tarea: Verificar pines doblados
Configuración:
- ROI: Rectángulo que cubre el arreglo de pines del radiador
- Clases:
- ✅ Bueno - Pin sin daños (Recto)
- ❌ Defecto - Pines doblados/dañados (Doblado)
Resultado: El clasificador diferencia un pin bueno de 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 clases a nivel de píxel con base en defectos etiquetados. Al operar a nivel de píxel, esta herramienta es útil para inspecciones que requieren un control más detallado sobre las etiquetas.
El Enfoque "¿Dónde está Wally?": La segmentación es más adecuada para proyectos en los que el defecto puede tomar una variedad de formas y tamaños, pero aparecer en una variedad de ubicaciones (por ejemplo, buscar rayones y abolladuras).
Modo de Entrenamiento de Segmentación
Accurate/Production Only
- Propósito: Análisis a nivel de píxel listo para producción
- Entrenamiento: Modo único de alta precisión
- Velocidad: Tiempo de entrenamiento más prolongado para clasificación precisa de píxeles
- Precisión: Alta precisión para mapeo detallado de defectos
- Listo para Producción: ✅ Optimizado para entornos de manufactura
Ejemplos de Segmentación en Producción
Ejemplo 1: Detección de Defectos en Superficie (Ensamble de Proveedor T1)
Tarea: Identificar derrames de pegamento
Configuración:
- ROI: Rectángulo alrededor de la superficie de la válvula
- Clases de Píxeles:
- Pegamento (píxeles amarillos)
Resultado: Los resaltados amarillos muestran exactamente lo que el modelo de IA detectó como defectos, con imágenes en bruto mostradas como referencia
Ejemplo 2: Medición del Tamaño de Brecha (Ensamble de Proveedor T1)
Tarea: Verificar que la brecha de la inspección tenga el tamaño correcto
Configuración:
- ROI: Rectángulo alrededor del área de la brecha
- Lógica de Medición: Condición de aprobación basada en valores de área de píxeles
- Clases:
- Píxel azul que enseña cómo se ve la distancia
- ✅ Bueno - Área <100 píxeles (Aprobar)
- ❌ Defecto - Área > 100 píxeles (Fallar)
Resultado: Medición precisa del tamaño de la brecha con conteo exacto de píxeles
Ejemplo 3: Salpicadura de Pintura
Tarea: Identificar que no haya salpicaduras de pintura
Configuración:
- ROI: Rectángulo alrededor de la región de interés (ROI)
- 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 Clasificación Cuando:
Decisiones de Estado Discreto:
- ✅ Necesita una categorización simple de bueno/malo
- ✅ Toda la ROI puede etiquetarse como una de varias clases
- ✅ Es suficiente una evaluación general de la condición
- ✅ Se esperan ubicaciones fijas de defectos
- ✅ Son aceptables tiempos de ciclo más rápidos durante la inspección
Mejor para: Decisiones Go/No-Go, presencia/ausencia de componentes, evaluación general de calidad
Elija Segmentación Cuando:
Análisis de Ubicación Variable:
- ✅ Los defectos pueden aparecer en cualquier lugar del área de inspección
- ✅ Necesita medir el tamaño o área de los defectos
- ✅ Pueden existir múltiples tipos de defectos en una imagen
- ✅ Se requiere mapeo preciso de la ubicación
- ✅ Los tiempos de ciclo más rápidos son críticos para producción
Mejor para: Defectos superficiales, mediciones de brechas, verificación de cobertura, fallos en ubicaciones variables
Comparación de Desempeño
Desempeño en Tiempo de Ciclo
| Tipo de Modelo | Velocidad de Inspección | Mejor Caso de Uso |
|---|---|---|
| Segmentación | ⚡ Más rápida | Líneas de producción de alta velocidad |
| Clasificación (Accurate) | Más lenta | Inspecciones críticas de calidad |
| Clasificación (Fast) | Media | Pruebas y prototipado |
Los modelos de segmentación brindan los tiempos de ciclo de inspección más rápidos, lo que los hace ideales para entornos de producción de alto rendimiento.
Resumen de Modos de Entrenamiento
Opciones de Entrenamiento de Clasificación
- Modo Fast: Configuración rápida para pruebas (no listo para producción)
- Modo Accurate: Listo para producción con mayor precisión
Opciones de Entrenamiento de Segmentación
- Solo Modo Accurate: Modo único de alta precisión optimizado para producción