Clasificador vs. Segmentador

Esta es la pregunta más común al crear una receta. Aquí hay un marco claro.

Clasificador

Un clasificador observa cada recorte de ROI y lo asigna a una categoría: pasar, fallar, presente, ausente, rayado, bueno, o cualquier clase que defina.

Piense en ello como clasificar cartas en montones. La IA observa todo el recorte y dice "esto va en el montón de pasar" o "esto va en el montón de fallar."

Utilice un clasificador cuando:

• Necesite decisiones de pasar/fallar o de múltiples clases
• Sus ROIs sean lo suficientemente pequeñas para mostrar claramente el defecto
• La velocidad de etiquetado sea importante (los clasificadores son mucho más rápidos para etiquetar)
• Esté verificando la presencia/ausencia de una característica
• Ejemplos: tornillo presente/ausente, conector asentado/no asentado, etiqueta correcta/incorrecta

¿Necesita imágenes de entrenamiento?

Utilice el Defect Creator Studio para generar imágenes sintéticas de defectos fotorealistas para cualquiera de los enfoques: describa el defecto en inglés simple y obtenga imágenes listas para entrenamiento en segundos.

Modos de Entrenamiento

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/Para Producción

• Propósito: Inspecciones listas para producción
• Caso de Uso: Despliegue final y fabricación
• Velocidad: Tiempo de entrenamiento más largo
• Precisión: Mayor precisión
• Listo para Producción: Modelo de entrenamiento principal para los mejores resultados

Ejemplos de Clasificación de Producción

Detección de Tuercas Sueltas (Ensamblaje OEM)

Tarea: Identificar tuercas sueltas en ensamblajes mecánicos

Configuración:

• ROI: Rectángulo alrededor del área de la tuerca
• Clases:
  • Bueno - Tuerca correctamente apretada (Pasar 100%)
  • Defecto - Tuerca suelta (Fallar 98%)

Resultado: Decisión binaria - la tuerca está correctamente asentada o suelta

Verificación de Asentamiento de Ejes (Ensamblaje OEM)

Tarea: Identificar ejes parcialmente asentados

Configuración:

• ROI: Rectángulo cubriendo el área de montaje del eje
• Clases:
  • Bueno - Eje completamente asentado
  • Defecto - Eje parcialmente asentado
  • Defecto - Eje completamente fuera

Resultado: El componente se categoriza como correctamente instalado o defectuoso

Inspección de Pines de Radiador (Fabricación de Proveedor T1)

Tarea: Verificar si hay abolladuras en pines individuales de radiador

Configuración:

• ROI: Rectángulo cubriendo la matriz de pines de radiador
• Clases:
  • Bueno - Pin sin daños (Recto)
  • Defecto - Pines doblados/dañados (Doblado)

Resultado: El clasificador diferencia un pin bueno de uno malo

Segmentador

Un segmentador examina cada recorte de ROI a nivel de píxel e identifica exactamente qué píxeles pertenecen a un defecto.

Piense en ello como resaltar con un marcador. La IA circunscribe exactamente dónde está el defecto, no solo si existe uno.

Utilice un segmentador cuando:

• Necesite localización de defectos a nivel de píxel (¿dónde exactamente está el rasguño?)
• Necesite medir el tamaño o área del defecto
• Sus ROIs necesiten ser grandes pero esté buscando defectos pequeños
• Necesite contar múltiples defectos en una región
• Ejemplos: rasguños en la superficie, manchas, grietas, calidad de soldadura, mediciones dimensionales

Modo de Entrenamiento

La segmentación utiliza un único modo de entrenamiento:

Preciso/Solo Producción

• Propósito: Análisis a nivel de píxel listo para producción
• Entrenamiento: Modo de alta precisión único
• Velocidad: Tiempo de entrenamiento más largo para una clasificación de píxeles precisa
• Precisión: Alta precisión para un mapeo detallado de defectos
• Listo para Producción: Optimizado para entornos de fabricación

Ejemplos de Segmentación desde Producción

Detección de Defectos en Superficie (Ensamblaje Proveedor T1)

Tarea: Identificar derrame de pegamento

Configuración:

• ROI: Rectángulo alrededor de la superficie de la válvula
• Clases de Píxeles:
  • Pegamento (Píxeles amarillos)

Resultado: Resaltados amarillos muestran exactamente lo que el modelo de IA detectó como defectos, con imágenes en bruto mostradas como referencia

Medición del Tamaño de la Brecha (Ensamblaje 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 los valores de área de píxeles
• Clases:
  • Píxel azul que enseña cómo se ve la distancia
  • Bueno - Área <100 píxeles (Pasa)
  • Defecto - Área > 100 píxeles (Falla)

Resultado: Medición precisa del tamaño de la brecha con conteo exacto de píxeles

Detección de Salpicaduras de Pintura

Tarea: Identificar salpicaduras de pintura en una superficie

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

Inspección de Múltiples Características Simultáneamente

Un segmentador puede inspeccionar múltiples características a la vez definiendo clases de píxeles separadas. Por ejemplo, puede entrenar un único segmentador para detectar rayones (clase 1), abolladuras (clase 2) y manchas (clase 3) en el mismo ROI. Cada clase se entrena de forma independiente pintando píxeles de ese tipo de defecto con una etiqueta diferente. El segmentador identifica todos los tipos de defectos en una sola pasada, informando qué píxeles pertenecen a qué clase.

Esto es diferente de la clasificación, donde todo el ROI recibe una única etiqueta. Con la segmentación, múltiples tipos de defectos pueden coexistir en la misma imagen y cada uno recibe su propia máscara a nivel de píxel.

Comparación

Aspecto	Clasificador	Segmentador
Lo que te dice	Categoría (pasa/falla/etc.)	Píxeles exactos del defecto
Esfuerzo de etiquetado	Bajo: seleccionar una clase por imagen	Alto: pintar píxeles de defecto
Datos necesarios	3-5 imágenes por clase para comenzar	Similar, pero el etiquetado toma más tiempo
Tamaño de ROI	Funciona mejor con ROIs pequeños	Maneja mejor ROIs más grandes
Mejor para	Decisiones de presencia/ausencia, categoría	Rayones, manchas, mediciones, detección a nivel de píxel

Rendimiento del Tiempo de Ciclo

Tipo de Modelo	Velocidad de Inspección	Caso de Uso Ideal
Segmentación	Más rápido	Líneas de producción de alta velocidad
Clasificación (Preciso)	Más lento	Inspecciones críticas para la calidad
Clasificación (Rápido)	Medio	Pruebas y prototipos

nota

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.

Cuándo Elegir Cada Modelo

Elija Clasificación Cuando:

• Necesite una categorización simple de bueno/malo
• Toda la ROI puede ser etiquetada como una de varias clases
• La evaluación de la condición general es suficiente
• Se esperan ubicaciones de defectos fijas
• Desee etiquetado más rápido durante la configuración

Mejor para: Decisiones de Go/No-Go, presencia/ausencia de componentes, evaluación de calidad general

Elija Segmentación Cuando:

• Los defectos pueden aparecer en cualquier lugar del área de inspección
• Necesite medir el tamaño o área de los defectos
• Pueden existir múltiples tipos de defectos en una imagen
• Se requiere mapeo de ubicación preciso
• Los tiempos de ciclo más rápidos son críticos para la producción

Mejor para: Defectos en la superficie, mediciones de huecos, verificación de cobertura, fallas de ubicación variable

Cuando tenga dudas, comience con un clasificador

Los clasificadores son más rápidos de configurar, necesitan menos imágenes de entrenamiento y funcionan bien para la mayoría de las inspecciones de pasar/fallar. Siempre puede cambiar a un segmentador más tarde si necesita detalles a nivel de píxel. Comenzar de manera simple le permite validar su configuración rápidamente.

Los segmentadores requieren más tiempo de configuración

Los segmentadores necesitan anotación a nivel de píxel durante el etiquetado, lo que lleva significativamente más tiempo que seleccionar una clase para un clasificador. Presupueste tiempo adicional para la configuración inicial y el etiquetado en comparación con los clasificadores, especialmente si tiene muchas imágenes de entrenamiento.

El límite de procesamiento de 512x512 píxeles

Tanto los clasificadores como los segmentadores procesan recortes de ROI a una resolución máxima de 512x512 píxeles. Cualquier ROI más grande que esto se reduce antes de que la IA lo procese, lo que significa que los defectos pequeños pueden volverse invisibles. Mantenga sus ROIs lo más pequeñas posible para preservar el detalle, o use un segmentador con un ROI más grande si necesita cubrir un área amplia mientras sigue detectando defectos finos.

La zona de superposición

Hay una superposición genuina. Muchas inspecciones podrían funcionar con cualquiera de los enfoques. Si no está seguro:

1. Comience con un clasificador. Es más simple de configurar y más rápido de etiquetar
2. Si encuentra que el clasificador no es lo suficientemente preciso (no puede detectar defectos pequeños en áreas grandes, o necesita medición), cambie a un segmentador
3. Pregunte al Asistente de IA en tools.overview.ai. Describa su aplicación y le recomendará el mejor enfoque

Resumen del Modo de Entrenamiento

Modo de Entrenamiento	Tipo de Modelo	Listo para Producción	Notas
Clasificador Rápido	Clasificación	No	Configuración rápida para pruebas y prototipos
Clasificador Preciso	Clasificación	Sí	Listo para producción con mayor precisión
Segmentador Preciso	Segmentación	Sí	Modo único de alta precisión optimizado para producción

OV20i vs OV80i

• OV20i: Elija uno por receta, ya sea un clasificador o un segmentador
• OV80i: Soporte para múltiples modelos. Ejecute un clasificador y un segmentador simultáneamente en la misma captura dentro de una sola receta. Por ejemplo, use un ROI de clasificador para verificar la presencia del componente (pasar/fallar) mientras un ROI de segmentador detecta defectos en la superficie de la misma pieza. Ambos modelos se ejecutan en cada activación y producen resultados independientes.