Mejorando su modelo con el tiempo

Su inspección ya está desplegada. ¿Cómo mantener un rendimiento alto a medida que cambian las condiciones, aparecen nuevos tipos de defectos o evolucionan las especificaciones?

The Library: su herramienta de mejora continua

Cada captura que toma la cámara se guarda en la Biblioteca, junto con la predicción de la IA y la puntuación de confianza. Este es su tesoro para la mejora.

Encontrar lo que la IA hizo mal

1. Vaya a la Biblioteca
2. Explorar capturas recientes
3. Busque dos cosas:
   • Misses: imágenes en las que la predicción de la IA es claramente incorrecta (casilla de verificación en la esquina superior izquierda de cada miniatura)
   • Low-confidence predictions: desplácese hacia abajo en cualquier imagen para ver los valores de confianza. Baja confianza = la IA estaba insegura

Una imagen etiquetada incorrectamente puede dañar significativamente la precisión

En un conjunto de datos pequeño, una sola etiqueta incorrecta tiene un impacto desproporcionado. Con solo 5 imágenes de entrenamiento, una mala etiqueta corrompe el 20% de sus datos. Siempre verifique cada etiqueta antes de reentrenar, especialmente cuando su conjunto de datos es pequeño.

Reentrenar con datos específicos

1. Seleccione las imágenes que la IA clasificó incorrectamente o sobre las que tenía dudas
2. Haga clic en "Add to Active Recipe Train Set"
3. Corrija las etiquetas si es necesario
4. Haga clic en Retrain

Concentre la atención en misses y capturas de baja confianza, no en datos nuevos al azar. Esta es la forma más eficiente de mejorar.

Inspeccione las imágenes guardadas con el Visualizador de Metadatos

Si necesita ver exactamente qué predijo la IA en una imagen específica, cargue el JPEG guardado al Metadata Viewer. Las cámaras OV incrustan los resultados de predicción, las puntuaciones de confianza y la configuración de la cámara directamente en cada imagen capturada.

Use Haystack para detectar etiquetas incorrectas a gran escala

A medida que su conjunto de datos crece, revisar manualmente cada etiqueta se vuelve impráctico. Haystack le permite explorar visualmente sus datos de entrenamiento, agrupar imágenes similares y detectar rápidamente etiquetas que parezcan fuera de lugar. Ejecútelo periódicamente para mantener limpio su conjunto de datos.

Flujo de trabajo para la mejora del clasificador

1. Revisar imágenes de la Biblioteca → encontrar errores y predicciones con baja confianza
2. Añádalas al conjunto de entrenamiento
3. Volver a etiquetar si es necesario
4. Reentrenar
5. Use Haystack para explorar visualmente sus datos y encontrar imágenes etiquetadas incorrectamente a gran escala

Flujo de trabajo para la mejora del segmentador

Los segmentadores tardan más en etiquetar (anotación a nivel de píxel), así que hay un atajo:

1. Importar imágenes problemáticas en la receta de segmentación
2. Haga clic en Generate Predictions para que el modelo preetiquete las nuevas imágenes lo mejor posible
3. Arreglar las predicciones en lugar de etiquetarlas desde cero (mucho más rápido)
4. Reentrenar

Reducción de falsos positivos en la segmentación

Si su segmentador está detectando muchos blobs pequeños aleatorios que no deberían estar allí, tiene dos herramientas potentes a su disposición: filtrar blobs pequeños fuera de la lógica de pass/fail y entrenar al modelo para entender mejor qué se considera "normal".

Filtrar blobs pequeños con un umbral mínimo de tamaño

La solución más rápida es indicar al sistema que ignore los blobs por debajo de una determinada área en píxeles. Los blobs de ruido pequeños suelen ser diminutos en comparación con defectos reales, por lo que un filtro de tamaño los elimina sin afectar su detección real.

En Modo Básico (Lógica IO): Configure el umbral de minimum blob area en la configuración de pass/fail. Cualquier blob menor que este recuento de píxeles se ignora por completo. Comience con un valor de aproximadamente 50 píxeles y ajústelo hacia arriba hasta que el ruido desaparezca, pero los defectos reales sigan activándose.

En Modo Avanzado (Node-RED): Filtre blobs por blob.pixel_count en su nodo de función. Por ejemplo, para ignorar cualquier blob con menos de 50 píxeles:

const minBlobSize = 50;
const allBlobs = msg.payload.segmentation.blobs;
const realBlobs = allBlobs.filter(blob => blob.pixel_count >= minBlobSize);
const results = realBlobs.length <1; // Pass if no real blobs remain
msg.payload = results;
return msg;

Ajuste el valor de minBlobSize según su aplicación. Observe los conteos de píxeles de sus blobs de ruido frente a los defectos reales en la salida de depuración para encontrar el corte correcto.

Agregar buenas imágenes a su conjunto de entrenamiento

Esta es la forma más efectiva de reducir las detecciones falsas positivas, y es la que la gente suele pasar por alto.

El problema: si solo entrenó con imágenes que contienen defectos, el modelo nunca ha aprendido cómo se ve una pieza limpia. Empieza a detectar “defectos” en la textura superficial normal, gradientes de iluminación y variaciones menores —todos los pequeños blobs aleatorios con los que está luchando.

Cómo solucionarlo:

1. Vaya a la Biblioteca y busque imágenes de buenas piezas — superficies limpias sin defectos
2. Añada estas imágenes al conjunto de entrenamiento (Add to Active Recipe Train Set)
3. En la vista de etiquetado, seleccione las ROIs pero no agregue anotaciones de defectos. Inclúyalas tal como están, sin marcas de pintura
4. Reentrenar el modelo

Al mostrar al modelo ejemplos de cómo se ve lo "normal", está enseñándole a dejar de marcar variaciones superficiales ordinarias como defectos. Esto reduce drásticamente el ruido.

Guías:

• Comience con 3-5 buenas imágenes y reentrene. Pruebe los resultados
• Si el ruido persiste, agregue más. Apunte a al menos 20-30 buenas imágenes mezcladas con sus imágenes de defectos
• Esto es especialmente importante si su conjunto de entrenamiento inicial solo contenía imágenes con defectos
• Asegúrese de que las buenas imágenes cubran la gama de variación normal que observa en la producción (diferentes iluminaciones, ligeros cambios de color, texturas de superficie)

Este es el arreglo #1 para segmentadores ruidosos

Nueve de cada diez, cuando alguien se queja de que aparecen blobs pequeños aleatorios por todas partes, la causa raíz es que el conjunto de entrenamiento no contiene buenas imágenes. Agréguelas y reentrene; la mejora suele ser inmediata y significativa.

Otros consejos para reducir el ruido

• Mejorar la consistencia de la iluminación. Una iluminación inconsistente crea sombras y brillos que el modelo puede confundir con defectos. Asegúrese de que los LEDs integrados estén configurados correctamente y de que las fuentes de luz externas no causen deslumbramiento ni sombras que se desplacen
• Verifique la alineación de su plantilla. Si el alineador no funciona bien, el ROI se desplaza entre capturas. El modelo ve diferentes áreas de fondo en cada toma, lo que aumenta el ruido. Verifique que la alineación sea estable
• Usar el modo de entrenamiento preciso (producción). El modo de desarrollo es rápido pero mucho menos preciso. Siempre reentrene en modo producción antes de evaluar la calidad de la segmentación
• Itere en pasos pequeños. Añada 3-5 buenas imágenes, reentrene, pruebe. Repita hasta obtener resultados limpios. Esto es más rápido que cargar 50 imágenes de golpe y esperar lo mejor

La filosofía

• Nunca deje de iterar. La IA tiene una alta capacidad de aprendizaje y continúa mejorando con 50, 100, incluso 500+ imágenes
• Apunte a las fallas específicas. No agregue datos al azar. Añada los casos en los que la IA tiene dificultades
• Verifique las etiquetas incorrectas con regularidad. A medida que su conjunto de datos crece, las etiquetas incorrectas se vuelven más difíciles de identificar, pero siguen dañando la precisión

Acelere con herramientas GenAI

Tres herramientas impulsadas por IA en tools.overview.ai pueden acelerar drásticamente sus ciclos de mejora:

• Defect Studio -- Generar imágenes sintéticas de defectos fotorrealistas hasta 10,000x más rápido que esperar defectos reales
• Integration Builder -- Construya flujos de Node-RED listos para producción a partir de descripciones en lenguaje natural
• AI Expert Helper -- Obtenga orientación experta 24/7 sobre cualquier pregunta relacionada con cámaras

La ventaja del GenAI toolkit

Juntas, estas tres herramientas pueden reducir su tiempo de implementación de días a horas. Genere datos de entrenamiento sintéticos en lugar de esperar defectos reales, construya integraciones describiendo lo que quiere y obtenga orientación experta instantánea sin esperar tickets de soporte.

→ Ver la guía completa de GenAI Toolkit