DOCUMENTACIÓN CON IA
¿Qué desea saber?
Clasificador vs Segmentador
Para la detección de defectos a nivel de píxel o inspeccionar múltiples características simultáneamente, considere el OV20i o el OV80i, que admiten modelos de segmentación.
Esta página explica los dos tipos de modelos de IA disponibles en el sistema OV10i y ayuda a elegir el enfoque correcto para sus necesidades de inspección.
OV10i no tiene capacidades de segmentación.
Use el Defect Creator Studio para generar imágenes de defecto sintéticas fotorrealistas — describa el defecto en lenguaje claro y obtenga imágenes listas para entrenamiento en segundos.
Dos Tipos de Proyectos
El OV10i 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 categorizar una imagen en diferentes clases basándose en sus características visuales.
El Enfoque "Gatos vs. Perros": La clasificación es más adecuada para proyectos donde la imagen puede ser una de 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 y pruebas rápidas
- Caso de uso: Prototipado rápido y prueba de concepto
- Velocidad: Tiempo de entrenamiento más rápido
- Precisión: Precisión menor
- 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 principal de entrenamiento para 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 apretada (Aprobado 100%)
- ❌ Defecto - Tuerca suelta (Fallo 98%)
Resultado: Decisión binaria - la tuerca está debidamente asentada o suelta
Ejemplo 2: Verificación del Asentamiento del 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 instalado correctamente o defectuoso
Ejemplo 3: Inspección de Pasador Doblado (Fabricación del Proveedor T1)
Tarea: Verificar pasadores doblados
Configuración:
- ROI: Rectángulo que cubre la matriz de pines del radiador
- Clases:
- ✅ Bueno - Pasador sin daños (Recto)
- ❌ Defecto - Pasadores doblados/dañados (Doblado)
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 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 de etiquetas más fino.
El Enfoque "¿Dónde está Waldo?": La segmentación es más adecuada para proyectos donde el defecto puede tomar una variedad de formas y tamaños, pero aparece en una variedad de ubicaciones (p. ej., buscar rayones y abolladuras).
Modo de Entrenamiento de Segmentación
Precisión/Producción solamente
- Propósito: Análisis a nivel de píxel listo para producción
- Entrenamiento: Modo único de alta precisión
- Velocidad: Mayor tiempo de entrenamiento para una clasificación de píxel precisa
- Precisión: Alta precisión para un mapeo detallado de defectos
- Listo para Producción: ✅ Optimizado para entornos de fabricación
Ejemplos de Segmentación en Producción
Ejemplo 1: Detección de Defectos de Superficie (Montaje del Proveedor T1)
Tarea: Identificar derrame de adhesivo
Configuración:
- ROI: Rectángulo alrededor de la superficie de la válvula
- Clases de píxeles:
- 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 de la Brecha (Montaje del Proveedor T1)
Tarea: Verificar que el tamaño de la brecha de la inspección sea el correcto
Configuración:
- ROI: Rectángulo alrededor del área de la brecha
- Lógica de Medición: Condición de pase basada en valores de área de píxeles
- Clases:
- Píxel azul que indica cómo se ve la distancia
- ✅ Bueno - Área <100 píxeles (Pase)
- ❌ Defecto - Área > 100 píxeles (Fallo)
Resultado: Medición precisa del tamaño de la brecha con conteo exacto de píxeles
Ejemplo 3: Salpicadura de Pintura
Tarea: Identificar que no hay salpicadura 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
Elegir Clasificación Cuando:
Decisiones de Estado Discretas:
- ✅ Necesita una clasificación simple de bueno/malo
- ✅ El ROI completo 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 de calidad general
Elegir Segmentación Cuando:
Análisis de Ubicación Variable:
- ✅ Los defectos pueden aparecer en cualquier lugar del área de inspección
- ✅ Necesita medir tamaño o área de defectos
- ✅ Múltiples tipos de defectos pueden existir en una misma imagen
- ✅ Se requiere mapeo de ubicación preciso
- ✅ Los tiempos de ciclo más rápidos son críticos para la producción
Mejor para: Defectos de superficie, medición de brechas, verificación de cobertura, defectos de ubicación variable
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 lento | Inspecciones críticas para la calidad |
| Clasificación (Rápida) | Medio | Pruebas y prototipos |
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: Modo único de alta precisión optimizado para producción