Primera Creación de Receta

OV10i Note

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

Esta inmersión detallada explica qué es una Receta, describe las diferencias entre Clasificación y Segmentación, y proporciona instrucciones 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 del Alineador, la optimización de ROI, la recopilación de datos y el entrenamiento de IA, así como la configuración de aumento de imágenes.

Video Guide

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

---

Objetivos de Aprendizaje

Al final de esta inmersión, entenderá lo siguiente:

• qué es una Receta
• la diferencia entre Clasificación y Segmentación – y cuándo usar cada una
• cómo crear una Receta
• cómo configurar la configuración de adquisición de imágenes
• cómo capturar una imagen de plantilla y configurar el Alineador
• qué son las ROI (Regiones de Interés) y cómo optimizarlas
• recopilación de datos para el entrenamiento de IA
• pruebas y validación de la Receta

¿Qué es una Receta?

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

Clasificación vs. Segmentación

Definiciones

• Clasificación: Identificar el tipo de objeto en la ROI
• 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 cada objeto?	¿Esta pizza es aceptable o defectuosa?	¿Dónde está cada pepperoni?

Comparación Clave

	Clasificación	Segmentación
Velocidad	La velocidad depende de la configuración de imágenes y de la complejidad. En general 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 de aprobado/rechazado o del tipo de pieza	Mayor precisión para la localización precisa de defectos
Complejidad	Sencilla de configurar y mantener; menos parámetros	Compleja – Requiere más datos, etiquetado y ajuste
Requisito de datos	Bajo – Requiere menos imágenes etiquetadas	Moderado – Requiere muchas imágenes con anotaciones precisas 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.

Creando y Exportando 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

Remember: 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 los detalles de la imagen se vean nítidos y claros.

tip

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

Rotación de la Imagen

• Qué es: Rota la imagen (0° o 180°).
• Cuándo usarlo: Si la cámara está montada en un ángulo y quiere que la imagen se muestre al revés 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 la imagen.
• Efecto:
  • Exposición mayor → imágenes más brillantes, pero existe riesgo de motion blur.
  • Exposición menor → menos luz, pero imágenes más nítidas en aplicaciones de movimiento rápido.

Subexpuesta	Correctamente Expuesta	Sobreexpuesta

tip

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

Ganancia

• Qué es: Ilumina artificialmente 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 requiere buena iluminación.

Alta ganancia	Baja ganancia
Más brillante y con más ruido	Más oscura y con menos ruido

tip

Aumente la ganancia solo si no es posible ajustar la exposición o la iluminación.

Balance de Blancos Automático

• Qué es: Ajusta automáticamente el balance de color para que los blancos se vean 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:

• Activa ON el interruptor de Balance de Blancos Automático.
• Coloca una hoja de papel blanca debajo de la cámara o frente al objetivo.
• Desactiva el interruptor para fijar la configuración de balance de blancos.

Gamma

• Qué es: Ajusta la luminosidad de los tonos medios sin afectar demasiado las áreas oscuras o brillantes.
• Efecto: Útil para revelar detalles en las sombras o reducir destellos excesivos en las zonas brillantes.

Corrección de Lentes

• Qué es: Corrige la distorsión de lentes gran angular.
• Cuándo activarlo: Si los bordes de la imagen se ven curvados o distorsionados, actívelo para mayor precisión en las tareas de alineación.

Modo de Destello LED

• Qué es: Controla cuándo se activa la iluminación LED integrada de la cámara.
• Opciones:
  • Apagado: El LED permanece encendido de forma continua.
  • Encendido: El LED solo parpadea durante la captura, reduciendo reflejos.

Patrón de Luz LED

• Qué es: Selecciona cómo se iluminan los LEDs (p. ej., Todo encendido, todo apagado, Izquierda y derecha, Arriba y abajo, etc.).
• Caso de uso: Ajuste según su configuración de iluminación para una iluminación óptima de la pieza.

tip

Utilice patrones direccionales para reducir el deslumbramiento o reflejos apagando los LEDs que iluminan directamente superficies reflectantes, mientras mantiene activos 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 con un valor bajo y aumente gradualmente para evitar deslumbramiento o reflejos.

Control Fotométrico

• Qué es: Captura múltiples imágenes (típicamente cuatro) con iluminación direccional diferente (izquierda, derecha, superior e inferior) y luego las combina en una sola imagen mejorada.
• Propósito: Esta técnica reduce las sombras y realza rasgos superficiales sutiles al proporcionar una iluminación uniforme y constante a lo largo de la pieza.
• Cuándo usar: Ideal para piezas complejas, superficies altamente reflectantes o piezas con texturas irregulares donde las imágenes de una sola iluminación podrían omitir detalles críticos.

Ajustes 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: Usa una señal eléctrica (p. ej., de un sensor) para disparar 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 operación sincronizada con otras máquinas.
• Mejor para: Sistemas totalmente automatizados que requieren temporización precisa.

Disparo del 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 requieren una colocación consistente antes de la captura o cuando no hay otros disparadores confiables disponibles.

Disparo por Intervalo

• Qué es: Dispara 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 la Plantilla

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

Rango de Rotación

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

Sensibilidad

• Qué es: Controla cuán fino busca el sistema 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 de confianza mínima 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.

Escala Invariante

• Qué es: Permite que el sistema detecte piezas que son ligeramente más grandes o más pequeñas que la imagen de plantilla original.
• Cuándo habilitarlo: 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. Una caja delimitadora configurable que define la región específica del campo de visión (FOV) de la cámara para monitorear durante el disparo.

• Propósito: Garantiza que la cámara se enfoque solo en el área relevante, ignorando las 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: Le 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 observa que la línea cambia a roja, intente aumentar el tamaño de la ROI, ajustar la ROI o aumentar la Sensibilidad.

Definición y Optimización de ROI (Region of Interest)

Inspection Types

• Qué es: Define el tipo de inspección que se está realizando y agrupa ROIs (Region of Interest) similares.
• Ejemplo: “Holes” para verificar la presencia, tamaño o calidad de holes en una pieza.
• Características clave:
  • Agregar Tipo de Inspección: Crear nuevas categorías para diferentes requisitos de inspección.
  • # de ROIs: Muestra cuántos ROIs están asignados actualmente 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/Anchura: 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.
• Uso recomendado: Acelera la configuración cuando hay patrones repetitivos, como múltiples holes idénticos.

Regiones de Inspección

• Qué es: Una lista de todas las ROIs definidas en la imagen de plantilla.
• Funciones:
  • Agregar Región de Inspección: Crear una ROI nueva manualmente.
  • Regiones a ignorar: Excluir regiones específicas del procesamiento.
  • Editar: Guardar, eliminar o cancelar.
  • Icono de Bloqueo: Indica ROIs bloqueadas que no pueden moverse 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: Ejecutar backtesting basado en imágenes antiguas para verificar cambios.
• Caso de uso: Para comparar los resultados actuales con configuraciones anteriores para obtener precisión y consistencia.

Recopilación de Datos y Entrenamiento de IA

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 Brush Class para seleccionar la clase a anotar. El límite actual es de hasta 10 clases por receta para segmentación.

Importancia de datos de buena calidad

• GIGO (Garbage In, Garbage Out): Los modelos de IA solo pueden ser tan buenos como los datos que se les proporcionan. Datos de baja 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 un conjunto de datos grande pero ruidoso o inconsistente.

Conceptos básicos de anotación:

• Clasificación: Etiquetar imágenes completas o ROIs como una clase específica (p. ej., “Good”, “Damaged”).
• Segmentación: Trazar, delinear o resaltar áreas específicas de interés con precisión a nivel de píxeles (p. ej., ubicación de un rasguño en una superficie).
• Coherencia: Usar reglas y definiciones consistentes para etiquetar y evitar confusiones durante el entrenamiento.

Errores Comunes

• Datos insuficientes: Demasiadas pocas muestras conducen a un subajuste, provocando un rendimiento deficiente en condiciones reales.
• Clases desbalanceadas: La sobre representación de una clase (p. ej., muchas piezas “Good” pero pocas defectuosas) sesga el modelo.
• Etiquetado deficiente: Etiquetado incorrecto, inconsistente o apresurado conduce a caídas significativas de precisión.
• Ignorar cambios en el 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 controles de calidad antes del entrenamiento a menudo resulta en pérdidas de tiempo y retrabajo.

Data Augmentation

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

Color Augmentations

Brightness

• Qué es: Ajusta cuán claro u oscuro 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.

Contrast

• 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.

Hue

• Qué es: Desplaza ligeramente los tonos de color.
• Caso de uso: Bueno para configuraciones donde la temperatura de la iluminación podría desplazarse con el tiempo.

Saturation

• 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.

Geometric Augmentations

Rotation Range

• Qué es: Rota la imagen al azar dentro del rango establecido (p. ej., ±20°).
• Caso de uso: Para piezas que pueden entrar en posiciones ligeramente rotadas.

tip

Evite rotación excesiva para piezas que suelen mantenerse en una orientación fija.

Flip

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

Lighting & Color Simulation

Planckian

• Qué es: Simula variaciones en la temperatura de color (p. ej., iluminación cálida o fría).
• Caso de uso: Maneja sesgos o células de trabajo con fuentes de luz variables.

Gaussian Noise

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

Motion Simulation

Motion Blur

• 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.

Probability (prob)

• Qué es: Establece la probabilidad de aplicar cada augmentation 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 augmentations y ajuste según la variabilidad del mundo real.

Training Parameters (Segmentation)

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

Learning Rate

• Definición: Controla cuán rápido 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 provocar inestabilidad o baja precisión.
• Rango 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.

ROI (Región de Interés) tamaño

• Definición: Define el tamaño (ancho × alto) del área de imagen utilizada durante el entrenamiento.
• Sin marcar: Por defecto, el modelo determina automáticamente el ROI en función de sus datos.
• Cuando esté marcado: Puede establecer manualmente el ancho y la altura si necesita dimensiones de entrada consistentes (p. ej., 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 tamaños diferentes y desee una entrada consistente para una mayor 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 región de interés 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

Incrementar este número suele mejorar la precisión hasta cierto punto, pero lleva más tiempo.

Regla práctica: supervise la pérdida de entrenamiento y la 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: 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.
• Larger models 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

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

External GPU

Póngase en contacto con el 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 a partir 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 es la tasa de aprendizaje, más rápido aprende el modelo, pero si es demasiado alta puede causar inestabilidad o precisión deficiente.
• Rango deslizante: Desde 10^-4 (muy lento) hasta 10^-1 (muy rápido).

tip

Por lo general, un valor entre 0.001 y 0.01 es un buen punto de partida para tareas de segmentación.

Porcentaje de Validación

• Definición: Define qué porción de su conjunto de datos se reservará para validación (pruebas durante el entrenamiento).
• Propósito: Los datos de validación ayudan a supervisar qué tan bien funciona el modelo en ejemplos no vistos, evitando 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 (Region of Interest)

• Definición: Define el tamaño (ancho × alto) del área de la imagen utilizada durante el entrenamiento.
• Sin seleccionar: Por defecto, el modelo determina automáticamente ROI basándose en sus datos.
• Cuando esté seleccionado: 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 mayor estabilidad, reproducibilidad o para coincidir con una arquitectura de modelo conocida.

Déjelo que el sistema lo elija automáticamente cuando sus datos ya tengan una resolución uniforme o cuando desee que el sistema optimice la mejor ROI (Region of Interest) según las características de su conjunto de datos.

Número de Iteraciones (Epochs)

• 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 suele mejorar la precisión hasta cierto punto, pero toma más tiempo.

Regla empírica: Monitoree la pérdida de entrenamiento y la de validación durante el entrenamiento. Si la pérdida de validación deja de disminuir mientras la pérdida de entrenamiento continúa bajando, es una señal de que el modelo está sobreajustándose y debería detener el entrenamiento antes de lo necesario.

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 los conjuntos de datos. Ideal para experimentación rápida o conjuntos de datos más 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 velocidad y bajo consumo 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 manteniéndose 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.	Úsese para conjuntos de datos grandes o cuando se necesite el máximo rendimiento.

GPU Externa

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