Mejorando Su Modelo con el Tiempo

Su inspección está implementada. Ahora, ¿cómo mantenerla funcionando bien a medida que cambian las condiciones, aparecen nuevos tipos de defectos o evolucionan las especificaciones?

La Biblioteca: Su herramienta de mejora continua

Cada captura que toma la cámara se guarda en la Biblioteca, junto con la predicción de la AI y la puntuación de confianza. Esta es su mina de oro para la mejora.

Encuentre lo que la AI hizo mal

1. Vaya a la Biblioteca
2. Explore las capturas recientes
3. Busque dos cosas:
   • Errores: imágenes donde la predicción de la AI es claramente incorrecta (casilla en la esquina superior izquierda de cada miniatura)
   • Predicciones de baja confianza: desplácese hacia abajo en cualquier imagen para ver los valores de confianza. Baja confianza = la AI no estaba segura

Una imagen mal etiquetada puede afectar significativamente la precisión

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

Reentrene con datos específicos

1. Seleccione las imágenes que la AI clasificó incorrectamente o sobre las que no estaba segura
2. Haga clic en "Add to Active Recipe Train Set"
3. Corrija las etiquetas si es necesario
4. Haga clic en Retrain

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

Inspeccione imágenes guardadas con el Metadata Viewer

Si necesita ver exactamente lo que la AI predijo en una imagen específica, suba 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 escala

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

Flujo de trabajo de mejora del clasificador

1. Revise las imágenes de la Biblioteca → encuentre errores y predicciones de baja confianza
2. Agréguelas al conjunto de entrenamiento
3. Reetiquete si es necesario
4. Reentrene
5. Use Haystack para explorar sus datos visualmente y encontrar imágenes mal etiquetadas a escala

Flujo de trabajo de mejora del segmentador

Los segmentadores tardan más en etiquetarse (anotación a nivel de píxel), por lo que hay un atajo:

1. Importe imágenes problemáticas a la receta de Segmentación
2. Haga clic en Generate Predictions para que el modelo preetiquete las nuevas imágenes lo mejor que pueda
3. Corrija las predicciones en lugar de etiquetar desde cero (mucho más rápido)
4. Reentrene

Reduciendo falsos positivos en la segmentación

Si su segmentador está detectando muchas manchas pequeñas aleatorias que no deberían estar allí, tiene dos herramientas poderosas a su disposición: filtrar manchas pequeñas de la lógica de aprobado/rechazado y entrenar al modelo para que comprenda mejor cómo se ve lo "normal".

Filtrar manchas pequeñas con un umbral de tamaño mínimo

La solución más rápida es indicarle al sistema que ignore las manchas por debajo de cierta área en píxeles. Las manchas de ruido pequeñas casi siempre son diminutas en comparación con los defectos reales, por lo que un filtro de tamaño las elimina sin afectar su detección real.

En Modo Básico (lógica de IO): Configure el umbral de área mínima de mancha en la configuración de aprobado/rechazado. Cualquier mancha más pequeña que este conteo de píxeles se ignora por completo. Comience con un valor como 50 píxeles y ajuste hacia arriba hasta que el ruido desaparezca pero los defectos reales aún activen la detección.

En Modo Avanzado (Node-RED): Filtre las manchas por blob.pixel_count en su nodo de función. Por ejemplo, para ignorar cualquier mancha por debajo 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 minBlobSize según su aplicación. Observe los conteos de píxeles de sus manchas de ruido vs. los defectos reales en la salida de depuración para encontrar el punto de corte adecuado.

Agregue imágenes buenas a su conjunto de entrenamiento

Esta es la forma más efectiva de reducir las detecciones de falsos positivos, y es la que la gente más a menudo pasa por alto.

El problema: si solo entrenó con imágenes que contienen defectos, el modelo nunca ha aprendido cómo se ve una pieza limpia. Comienza a ver "defectos" en la textura normal de la superficie, gradientes de iluminación y variaciones menores -- todas esas pequeñas manchas aleatorias contra las que está luchando.

Cómo solucionarlo:

1. Vaya a la Biblioteca y busque imágenes de piezas buenas -- superficies limpias sin defectos
2. Agregue estas imágenes al conjunto de entrenamiento (Add to Active Recipe Train Set)
3. En la vista de etiquetado, seleccione las ROI pero no agregue ninguna anotación de defectos. Simplemente inclúyalas tal como están sin marcas de pintura
4. Reentrene el modelo

Al mostrarle al modelo ejemplos de cómo se ve lo "normal", le está enseñando a dejar de marcar la variación ordinaria de la superficie como defectos. Esto reduce drásticamente el ruido.

Pautas:

• Comience con 10-15 imágenes buenas y reentrene. Pruebe los resultados
• Si el ruido persiste, agregue más. Apunte a por lo menos 20-30 imágenes buenas 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 imágenes buenas cubran el rango de variación normal que ve en producción (diferente iluminación, ligeros cambios de color, texturas de superficie)

Esta es la solución #1 para segmentadores ruidosos

Nueve de cada diez veces, cuando alguien se queja de pequeñas manchas aleatorias que aparecen por todas partes, la causa raíz es que el conjunto de entrenamiento no tiene imágenes buenas. Agréguelas y reentrene -- la mejora suele ser inmediata y significativa.

Otros consejos para reducir el ruido

• Mejore la consistencia de la iluminación. La iluminación inconsistente crea sombras y reflejos que el modelo puede confundir con defectos. Asegúrese de que los LED integrados estén configurados correctamente y que las fuentes de luz externas no estén causando deslumbramiento o sombras cambiantes
• Verifique la alineación de su plantilla. Si el alineador no está funcionando bien, la ROI se desplaza entre capturas. El modelo ve diferentes áreas de fondo cada vez, lo que aumenta el ruido. Verifique que la alineación sea estable
• Itere en pasos pequeños. Agregue 10-15 imágenes buenas, reentrene, pruebe. Repita hasta que los resultados sean limpios. Esto es más rápido que volcar 50 imágenes a la vez y esperar lo mejor

La filosofía

• Nunca deje de iterar. La AI tiene una alta capacidad de aprendizaje y sigue mejorando con 50, 100, incluso 500+ imágenes
• Apunte a las fallas específicamente. No agregue datos al azar. Agregue los casos en los que la AI tiene dificultades
• Verifique las etiquetas incorrectas regularmente. A medida que crece su conjunto de datos, las etiquetas incorrectas se vuelven más difíciles de detectar pero aún dañan la precisión

Acelere con herramientas GenAI

Tres herramientas con AI en tools.overview.ai pueden acelerar drásticamente sus ciclos de mejora:

• Defect Studio -- Genere imágenes sintéticas de defectos fotorrealistas hasta 10,000 veces más rápido que esperar por defectos reales
• Integration Builder -- Construya flujos de Node-RED listos para producción a partir de descripciones en inglés simple
• AI Expert Helper -- Obtenga orientación experta 24/7 sobre cualquier pregunta de la cámara

La ventaja del kit de herramientas GenAI

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

→ Vea la guía completa del Kit de Herramientas GenAI