Creación de la Primera Receta

Nota sobre OV10i

El OV10i solo admite modelos de clasificación. Las funciones de segmentación mencionadas en esta página están disponibles en las cámaras OV20i y OV80i.

Esta profundización explica qué es una Receta, describe las diferencias entre Clasificación y Segmentación, y proporciona una guía paso a paso sobre cómo crear una Receta. También incluye un recorrido detallado sobre la configuración de Imaging Setup, la captura de Imágenes de Plantilla y la configuración de Alineador, la optimización de ROIs, la recolección de datos y el entrenamiento de IA, así como la configuración de aumento de imágenes.

Guía en Video

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

---

Objetivos de Aprendizaje

Al final de esta profundización, 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 Imagen de Plantilla y configurar el Alineador
• qué son los ROIs (Regiones de Interés) y cómo optimizarlos
• recolección de datos para el entrenamiento de IA
• pruebas y validación de recetas

¿Qué es una Receta?

• Un conjunto de instrucciones configuradas que indica a la cámara cómo inspeccionar una pieza o producto específico.
• Define los ajustes de la cámara, incluidos exposición, enfoque y parámetros de iluminación para una captura de imagen consistente.
• Incluye lógica de procesamiento como definiciones de ROI, Alineador, clases de clasificación o segmentación.
• Almacena configuraciones de entrada/salida para integrarse con sistemas de automatización para señales de aprobado/reprobado o señales avanzadas.
• Puede ser guardada y reutilizada para asegurar inspecciones consistentes a través de turnos, líneas o instalaciones.

Clasificación vs. Segmentación

Definiciones

• Clasificación: Identificación del tipo de objeto en el ROI
• Segmentación: Localización y análisis de regiones en la imagen/ROI

Ejemplos

Clasificación de Imágenes	Segmentación de Imágenes	Clasificación de Imágenes	Segmentación de Imágenes
¿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 Imaging Setup y complejidad. Generalmente 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 identificación general de aprobado/reprobado o tipo de parte	Mayor precisión para localización de defectos precisos
Complejidad	Simple de configurar y mantener; menos parámetros	Compleja – Necesita más datos, etiquetado y ajuste
Requisitos de Datos	Bajos – Necesita menos imágenes etiquetadas	Moderados – Requiere muchas imágenes con anotaciones detalladas a nivel de píxel
Casos de Uso	Presencia de partes, orientación, controles de calidad básicos, parte insertada/no insertada, etc.	Defectos en la superficie, inspección de características finas, detección de múltiples defectos, conteo, medición, etc.

Creando y Exportando una Receta

Utilice el botón Exportar Receta junto a una Receta para exportar una Receta individual.

Utilice el botón Exportar en la parte superior de la pantalla para exportar múltiples Recetas a la vez.

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

nota

Recuerde: 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

Enfoque

• Qué es: Ajusta la nitidez de la imagen capturada.
• Cómo usarlo: Deslice hasta que los bordes y detalles en la imagen se vean nítidos y claros.

tip

Utilice un objeto objetivo con bordes claros (como una regla o tarjeta de calibración) al enfocar.

Rotación de Imagen

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

nota

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

Exposición (ms)

• Qué es: Cuánto tiempo el sensor está expuesto a la luz durante la captura de imagen.
• Efecto:
  • Mayor exposición → imágenes más brillantes, pero riesgo de desenfoque por movimiento.
  • Menor exposición → menos luz, pero imágenes más nítidas en aplicaciones de movimiento rápido.

Subexpuesta	Exposición Correcta	Sobreexpuesta

tip

La exposición es logarítmica, y una mayor exposición significa más latencia (porque se requiere más tiempo para la captura de imagen).

Ganancia

• Qué es: Aumenta artificialmente el brillo de la imagen digitalmente (como ISO en una cámara).
• Efecto:
  • Mayor ganancia → imagen más brillante, pero añade ruido (apariencia granulada).
  • Menor ganancia → imagen más limpia, pero necesita buena iluminación.

Alta Ganancia	Baja Ganancia
Más brillante y ruidosa	Más oscura y menos ruido

tip

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

Balance de Blancos Automático

• Qué es: Ajusta automáticamente el balance de color para que los blancos aparezcan blancos.
• Cuándo usarlo:
  • Ideal para entornos con condiciones de iluminación variables o cambiantes.
  • Para configuraciones estables, el balance de blancos manual proporciona resultados más consistentes y repetibles.

nota

Para ajustar manualmente el balance de blancos:

• Active el interruptor de Balance de Blancos Automático.
• Coloque una hoja de papel blanca debajo de la cámara o frente al lente.
• Apague el interruptor para fijar la configuración de balance de blancos.

Gamma

• Qué es: Ajusta el brillo de los tonos medios sin afectar demasiado las áreas oscuras o brillantes.
• Efecto: Útil para revelar detalles en sombras o reducir reflejos excesivamente brillantes.

Corrección de Lentes

• Qué es: Corrige la distorsión de lentes gran angulares.
• Cuándo habilitar: Si los bordes de la imagen se ven curvados o distorsionados, active esto para precisión en tareas de alineación.

Modo de Estroboscopio LED

• Qué es: Controla cuándo se activa la luz LED incorporada de la cámara.
• Opciones:
  • Apagar: LED está continuamente encendido.
  • Encender: LED solo parpadea durante la captura, reduciendo reflejos.

Patrón de Luz LED

• Qué es: Selecciona cómo se encienden los LEDs (por ejemplo, todos encendidos, todos apagados, izquierda y derecha, arriba y abajo, etc.).
• Caso de uso: Ajuste según su configuración de iluminación para una iluminación óptima de las piezas.

tip

Utilice patrones direccionales para reducir deslumbramientos o reflejos al apagar los LEDs que iluminan directamente superficies reflectantes, mientras mantiene activas las fuentes de luz anguladas para una mejor visibilidad.

Intensidad de Luz LED

• Qué es: Ajusta cuán brillante es la iluminación LED.
• Mejor práctica: Comience bajo y aumente gradualmente para evitar deslumbramientos o reflejos.

Control Fotométrico

• Qué es: Captura múltiples imágenes (típicamente cuatro) con diferentes iluminaciones direccionales (izquierda, derecha, arriba y abajo) y luego las combina en una sola imagen mejorada.
• Propósito: Esta técnica reduce sombras y resalta características sutiles de la superficie al proporcionar una iluminación uniforme y consistente en la pieza.
• Cuándo usar: Ideal para piezas complejas, superficies altamente reflectantes o piezas con texturas desiguales donde las imágenes de luz única estándar pueden perder detalles críticos.

Configuraciones de Disparo

Disparo Manual

• Qué es: Captura imágenes cuando presiona el botón en la pantalla HMI.
• Mejor para: Pruebas, configuración o inspecciones manuales.

Disparo por Hardware

• Qué es: Utiliza una señal eléctrica (por ejemplo, de un sensor) para activar la cámara.
• Mejor para: Líneas automatizadas donde un sensor detecta la presencia de la pieza.

Disparo PLC

• Qué es: Las señales de disparo se envían a través de controladores industriales (PLCs) para una operación sincronizada con otras máquinas.
• Mejor para: Sistemas completamente automatizados que requieren un temporizador preciso.

Disparo de Alineador

• Qué es: Se activa automáticamente cuando el sistema detecta la alineación de la pieza en el campo de visión.
• Mejor para: Aplicaciones donde las piezas necesitan una posición consistente antes de la captura o cuando no hay otros disparadores confiables presentes.

Disparo por Intervalo

• Qué es: Activa la cámara a intervalos de tiempo establecidos.
• Mejor para: Procesos continuos o monitoreo de líneas en movimiento sin sensores de detección de piezas.

Imagen de Plantilla y Alineación

Omitir 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(los) área(s) de la imagen de plantilla utilizadas para la alineación.
  • Rectángulo: Dibuja una región rectangular de interés.
  • Círculo: Dibuja una región circular de interés.
  • Ignorar Región de Plantilla: Excluye ciertas áreas de la alineación para evitar patrones distractores o características irrelevantes.
• Mejor uso: Ayuda al sistema a enfocarse solo en las características más distintivas de la pieza para una alineación precisa.

Rango de Rotación

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

Sensibilidad

• Qué es: Controla cuán finamente el sistema busca una coincidencia entre la imagen en vivo y la plantilla.
• Efecto:
  • Alta sensibilidad → detecta detalles más sutiles, útil para piezas complejas.
  • Sensibilidad baja → reduce coincidencias falsas, pero puede perder características finas.

Umbral de Confianza

• Qué es: Establece la puntuación de confianza mínima requerida para que el sistema acepte una detección.
• Efecto:
  • Umbral más alto → menos falsos positivos, pero podría perder coincidencias en el límite.
  • Umbral más bajo → más detecciones, pero con mayor riesgo de falsos positivos.

tip

Comience moderado y ajuste según los resultados de las pruebas.

Escala Invariante

• Qué es: Permite al sistema detectar 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 posicionamiento, cambios de distancia o tolerancias de fabricación.

Leyenda de Vista Previa en Vivo

1. Un cuadro delimitador configurable que define la región específica del campo de visión (FOV) de la cámara a monitorear durante el disparo.

• 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 al reducir 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 ha detectado 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 (Región de Interés)

Tipos de Inspección

• Qué es: Define el tipo de inspección que se está realizando y agrupa ROIs (Regiones de Interés) similares.
• Ejemplo: “Agujeros” para verificar la presencia, tamaño o calidad de agujeros en una pieza.
• Características clave:
  • Agregar Tipo de Inspección: Crear 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 los ROIs seleccionados para una alineación y colocación precisas.
• Campos y su propósito:
  • Altura/Ancho: Cambia el tamaño del ROI.
  • X / Y: Mueve la posición del ROI a lo largo de los ejes horizontal (X) y vertical (Y).
  • Ángulo: Rota el ROI alrededor de su centro.
• Mejor uso: Acelera la configuración cuando tiene patrones repetitivos, como múltiples agujeros idénticos.

Regiones de Inspección

• Qué es: Una lista de todos los ROIs definidos en la imagen de plantilla.
• Características:
  • Agregar Región de Inspección: Crear un nuevo ROI manualmente.
  • Ignorar Regiones: Excluir regiones específicas del procesamiento.
  • Editar: Guardar, eliminar o cancelar.
  • Ícono de Bloqueo: Indica ROIs bloqueados 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 ajustar finamente las posiciones y tamaños de los ROIs durante la configuración.

Botón de Prueba

• Qué es: Ejecuta pruebas retrospectivas basadas en imágenes antiguas para verificar cambios.
• Caso de uso: Comparar resultados actuales con configuraciones anteriores para precisión y consistencia.

Recolección de Datos y Entrenamiento de IA

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

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

Importancia de buenos datos

• Basura entra, basura sale: Los modelos de IA solo pueden ser tan buenos como los datos que les proporcione. Datos de mala calidad o inconsistentes conducen a resultados inexactos.

• La diversidad importa: Recolecte datos que representen todas las variaciones del mundo real: diferentes turnos, condiciones de iluminación, posiciones de piezas y condiciones de superficie.

• Calidad sobre cantidad: Un conjunto de datos más pequeño, limpio y bien etiquetado a menudo funcionará mejor que un conjunto grande pero ruidoso o inconsistente.

Conceptos básicos de anotación:

• Clasificación: Etiquete imágenes completas o ROIs como una clase específica (por ejemplo, “Bueno”, “Dañado”).
• Segmentación: Pinte sobre, contorne o resalte áreas específicas de interés con precisión a nivel de píxel (por ejemplo, ubicación de un rasguño en una superficie).
• Consistencia: Utilice reglas y definiciones consistentes para etiquetar y evitar confusiones durante el entrenamiento.

Errores Comunes

• Datos insuficientes: Muy pocas muestras llevarán a un subajuste, causando un rendimiento deficiente en el mundo real.
• Clases desbalanceadas: La sobre-representación de una clase (por ejemplo, muchas piezas “buenas” pero pocas defectuosas) sesga el modelo.
• Etiquetado deficiente: Etiquetado incorrecto, inconsistente o apresurado conduce a caídas significativas en la precisión.
• Ignorar cambios en el entorno: No actualizar el conjunto de datos cuando cambian las condiciones de iluminación, orientación de la pieza o condiciones de superficie conduce a una deriva en la precisión.
• No validar los datos: Omitir controles de calidad antes del entrenamiento a menudo resulta en tiempo perdido y retrabajo.

Aumento de Datos

Las modificaciones de imágenes artificiales mejoran la robustez del modelo. Simulan variaciones del mundo real como cambios de brillo, rotaciones o ruido para que el modelo funcione bien en diferentes condiciones.

Modificaciones de Color

Brillo

• Qué es: Ajusta cuán clara u oscura aparece 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 áreas claras y oscuras.
• Caso de uso: Útil para piezas con textura o superficies variadas para ayudar al modelo a adaptarse a las diferencias visuales.

Tono

• Qué es: Desplaza ligeramente los tonos de color.
• Caso de uso: Bueno para configuraciones donde el color de la iluminación (por ejemplo, temperatura de LED) puede cambiar 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 aparezcan más apagadas o más vibrantes.

Modificaciones Geométricas

Rango de Rotación

• Qué es: Rota la imagen aleatoriamente dentro del rango establecido (por ejemplo, ±20°).
• Caso de uso: Para piezas que pueden venir en posiciones ligeramente rotadas.

tip

Evite rotaciones excesivas para piezas que generalmente están fijas en orientación.

Voltear

• Qué es: Voltea la imagen horizontalmente, verticalmente o ambas.
• Caso de uso: Útil para piezas simétricas o cuando la orientación puede cambiar durante el manejo.

Simulación de Iluminación y Color

Planckiano

• Qué es: Simula variaciones en la temperatura del color (por ejemplo, iluminación cálida o fría).
• Caso de uso: Maneja diferentes cambios o celdas de trabajo con fuentes de luz variables.

Ruido Gaussiano

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

Simulación de Movimiento

Desenfoque de 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 de movimiento.

Probabilidad (prob)

• Qué es: Establece la probabilidad de aplicar cada aumento durante el entrenamiento.
• Ejemplo: 0.50 = 50% de probabilidad de aplicar ese cambio a cualquier imagen de entrenamiento dada.

tip

Comience en 0.5 para la mayoría de los aumentos y ajuste según la variabilidad del mundo real.

Parámetros de Entrenamiento (Segmentación)

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

Tasa de Aprendizaje

• Definición: Controla qué tan rápido el modelo actualiza sus pesos internos durante el entrenamiento.
• Valor (0.003): Cuanto mayor sea la tasa de aprendizaje, más rápido aprende 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

Generalmente, 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 marcar: Por defecto, el modelo determina automáticamente el ROI basado en sus datos.
• Cuando está marcado: Puede establecer manualmente el ancho y el alto si necesita dimensiones de entrada consistentes (por ejemplo, todas las imágenes recortadas a 256×256 píxeles).

tip

Utilice un tamaño fijo (por ejemplo, 256×256) cuando su conjunto de datos tenga imágenes de diferentes tamaños y desee una entrada consistente para una mejor estabilidad, reproducibilidad, o para coincidir con una arquitectura de modelo conocida.

Déjelo elegir automáticamente cuando sus datos ya tengan una resolución uniforme o cuando desee que el sistema optimice la mejor región de interés basada en las características de su conjunto de datos.

Número de Iteraciones (Épocas)

• Definición: Una época = un pase completo a través de todo el conjunto de datos de entrenamiento.
• Valor (100): El modelo se entrenará durante 100 pases completos.

tip

Aumentar este número generalmente mejora la precisión hasta cierto punto, pero toma más tiempo.

Regla general: Monitoree la pérdida de entrenamiento y validación durante el entrenamiento. Si la pérdida de validación deja de disminuir mientras que la pérdida de entrenamiento sigue bajando, 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.
• Pequeña: Se entrena más rápido y a menudo es suficiente para la mayoría de los conjuntos de datos. Ideal para experimentación rápida o conjuntos de datos más pequeños.
• Modelos más grandes pueden capturar más detalles pero pueden sobreajustar en conjuntos de datos pequeños, mientras que los modelos más pequeños son más eficientes y generalizan mejor cuando los datos son limitados.

tip

Comience con Pequeña, a menudo es suficiente y le ayuda a iterar más rápido antes de escalar.

GPU Externa

Contacte al Soporte para saber más sobre GPU Externa.

Parámetros de Entrenamiento (Clasificación)

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

Tasa de Aprendizaje

• Definición: Controla qué tan rápido el modelo actualiza sus pesos internos durante el entrenamiento.
• Valor (0.003): Cuanto mayor sea la tasa de aprendizaje, más rápido aprende el modelo, pero si es demasiado alta puede causar inestabilidad o baja precisión.
• Rango del control deslizante: De 10^-4 (muy lento) a 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 parte de su conjunto de datos se reservará para validación (pruebas durante el entrenamiento).
• Propósito: Los datos de validación ayudan a monitorear qué tan bien se desempeña el modelo en ejemplos no vistos, previniendo el sobreajuste.
• Rango: 0–50%.

tip

Las opciones 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 (Región de Interés)

• Definición: Define el tamaño (ancho × alto) del área de imagen utilizada durante el entrenamiento.
• Sin marcar: Por defecto, el modelo determina automáticamente el ROI basado en sus datos.
• Cuando está marcado: Puede establecer manualmente el ancho y el alto si necesita dimensiones de entrada consistentes (por ejemplo, todas las imágenes recortadas a 256×256 píxeles).

tip

Utilice un tamaño fijo (por ejemplo, 256×256) cuando su conjunto de datos tenga imágenes de diferentes tamaños y desee una entrada consistente para una mejor estabilidad, reproducibilidad, o para coincidir con una arquitectura de modelo conocida.

Déjelo elegir automáticamente cuando sus datos ya tengan una resolución uniforme o cuando desee que el sistema optimice la mejor región de interés basada en las características de su conjunto de datos.

Número de Iteraciones (Épocas)

• Definición: Una época = un pase completo a través de todo el conjunto de datos de entrenamiento.
• Valor (100): El modelo entrenará durante 100 pases completos.

tip

Aumentar este número generalmente mejora la precisión hasta cierto punto, pero toma más tiempo.

Regla general: Monitoree la pérdida de entrenamiento y 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 sobreajustando y debería detener el entrenamiento antes.

Arquitectura

• Definición: Selecciona el tamaño y la complejidad de la red neuronal.
• Pequeña: Entrena más rápido y a menudo es suficiente para la mayoría de los conjuntos de datos. Ideal para experimentación rápida o conjuntos de datos más pequeños.

tip

Comience con Pequeña, 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 velocidad y bajo uso de memoria.	Ideal para experimentos rápidos o hardware limitado.
ConvNeXt-Nano	Ligeramente más grande que Pico; mejor precisión con costo mínimo añadido.	Buen equilibrio para conjuntos de datos pequeños a medianos.
ConvNeXt-Tiny	Ofrece mejor precisión mientras sigue siendo eficiente.	Adecuado para conjuntos de datos moderados y entrenamientos más largos.
ConvNeXt-Small	Variante más capaz de esta lista. Mayor capacidad y precisión.	Úselo para conjuntos de datos grandes o cuando se necesita el máximo rendimiento.

GPU Externa

Contacte al Soporte para saber más sobre GPU Externa.