DOCUMENTACIÓN CON IA
¿Qué desea saber?
Clasificador vs Segmentador
Esta página explica los dos tipos de modelos de IA disponibles en el sistema OV10i y ayuda a elegir el enfoque adecuado para sus necesidades de inspección.
OV10i no tiene capacidades de segmentación.
Dos Tipos de Proyectos
El OV10i ofrece dos enfoques distintos de modelos de IA para diferentes requerimientos 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 que clasifique una imagen en diferentes clases según sus características visuales.
El enfoque "Gatos vs. Perros": La clasificación es más 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).
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: 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 manufactura
- Velocidad: Mayor tiempo de entrenamiento
- Precisión: Mayor precisión
- Listo para producción: ✅ Modelo de entrenamiento principal para obtener los mejores resultados
Ejemplos de Clasificación en Producción
Ejemplo 1: Detección de Tuerca Floja (Ensamblaje OEM)
Tarea: Identificar tuercas flojas en ensamblajes mecánicos
Configuración:
- ROI: Rectángulo alrededor del área de la tuerca
- Clases:
- ✅ Bueno - Tuerca correctamente ajustada (Aprobado 100%)
- ❌ Defecto - Tuerca floja (Rechazado 98%)
Resultado: Decisión binaria - la tuerca está debidamente colocada o floja
Ejemplo 2: Verificación de Asentamiento de Eje (Ensamblaje 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 Pin Doblado (Fabricación del Proveedor T1)
Tarea: Verificar pines doblados
Configuración:
- ROI: Rectángulo que cubre la matriz de pines del radiador
- Clases:
- ✅ Bueno - Pin sin daños (Recto)
- ❌ Defecto - Pines doblados/dañados (Doblado)
Resultado: El clasificador distingue entre un pin 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 según defectos etiquetados. Al operar a nivel de píxel, esta herramienta es útil para inspecciones que requieren un control más fino de 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 arañazos y abolladuras).
Modo de Entrenamiento de Segmentación
Solo Precisión para Producción
- Propósito: Análisis a nivel de píxel listo para producción
- Entrenamiento: Modo único de alta precisión
- Velocidad: Mayor tiempo de entrenamiento para clasificación de píxel precisa
- 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 (Ensamblaje del Proveedor T1)
Tarea: Identificar salpicaduras de adhesivo
Configuración:
- ROI: Rectángulo alrededor de la superficie de la válvula
- Clases de píxeles:
- Adhesivo (píxeles amarillos)
Resultado: Los resaltados amarillos 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 (Ensamblaje del 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 paso basada en valores de área de píxeles
- Clases:
- Píxel azul para enseñar cómo se ve la distancia
- ✅ Bueno - Área <100 píxeles (Aprobado)
- ❌ Defecto - Área > 100 píxeles (Rechazado)
Resultado: Medición precisa del tamaño de la brecha con conteo exacto de píxeles
Ejemplo 3: Salpicadura de Pintura
Tarea: Identificar que no exista 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 salpicadura 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
- ✅ 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 la calidad
Elija Segmentación Cuando:
Análisis de Ubicación Variable:
- ✅ Los defectos pueden aparecer en cualquier lugar del área de inspección
- ✅ Necesita medir el tamaño o el área de los defectos
- ✅ Múltiples tipos de defectos pueden existir en una sola imagen
- ✅ Se requiere mapeo de ubicación preciso
- ✅ Los tiempos de ciclo más rápidos son críticos para la producción
Mejor para: defectos superficiales, mediciones de brechas, 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 para la calidad |
| Clasificación (Rápida) | Media | 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: Un único modo de alta precisión optimizado para producción