DOCUMENTACIÓN CON IA
¿Qué desea saber?
Clasificador vs Segmentador
Esta página explica los dos tipos de modelos de IA disponibles en el sistema OV20i y le ayuda a elegir el enfoque adecuado para sus necesidades de inspección.
OV10i no tiene capacidades de segmentación.
Dos Tipos de Proyectos
El OV20i ofrece dos enfoques distintos de modelos de IA para diferentes requisitos de inspección:
- Clasificación - Enfoque "Gatos vs. Perros"
- Segmentación - Enfoque "¿Dónde está Waldo?"
Modelos de Clasificación
¿Qué es la Clasificación?
Cree una Receta de Clasificación para entrenar un modelo de aprendizaje profundo para categorizar una imagen en diferentes clases según sus características visuales.
El Enfoque "Gatos vs. Perros": La clasificación es más adecuada para proyectos donde la imagen puede ser uno de un número discreto de estados (por ejemplo, bueno vs. malo, pero con cualquier número de clases).
Modos de Entrenamiento de Clasificación
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 manufactura
- Velocidad: Tiempo de entrenamiento más largo
- Precisión: Mayor precisión
- Listo para Producción: ✅ Modelo de entrenamiento principal para mejores resultados
Ejemplos de Clasificación de Producción
Ejemplo 1: 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 ajustada (Aprobar 100%)
- ❌ Defecto - Tuerca suelta (Fallar 98%)
Resultado: Decisión binaria - la tuerca está correctamente colocada o suelta
Ejemplo 2: Verificación de Asiento del Eje (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
Ejemplo 3: Inspección de Pines Doblados (Fabricación Proveedor T1)
Tarea: Verificar pines doblados
Configuración:
- ROI: Rectángulo cubriendo la matriz de pines del radiador
- Clases:
- ✅ Bueno - Pin sin daños (Recto)
- ❌ Defecto - Pines doblados/dañados (Doblado)
Resultado: El clasificador diferencia un pin bueno de uno malo
Modelos de Segmentación
¿Qué es la Segmentación?
Cree una Receta de Segmentación para entrenar un modelo de aprendizaje profundo que tome una imagen y segmente clases a nivel de píxel según defectos etiquetados. Al operar a nivel de píxel, esta herramienta es útil para inspecciones que requieren un control más fino sobre las etiquetas.
El Enfoque "¿Dónde está Waldo?": La segmentación es más adecuada para proyectos donde el defecto puede tomar una variedad de formas y tamaños, pero aparecer en una variedad de ubicaciones (por ejemplo, buscando rayones y abolladuras).
Modo de Entrenamiento de Segmentación
Preciso/Para Producción Solo
- Propósito: Análisis a nivel de píxel listo para producción
- Entrenamiento: Modo único de alta precisión
- Velocidad: Tiempo de entrenamiento más largo para clasificación precisa de píxeles
- Precisión: Alta precisión para mapeo detallado de defectos
- Listo para Producción: ✅ Optimizado para entornos de manufactura
Ejemplos de Segmentación de Producción
Ejemplo 1: Detección de Defectos en Superficie (Ensamblaje Proveedor T1)
Tarea: Identificar derrames de pegamento
Configuración:
- ROI: Rectángulo alrededor de la superficie de la válvula
- Clases de Píxeles:
- Pegamento (Píxeles amarillos)
Resultado: Los resaltados amarillos muestran exactamente lo que el modelo de IA detectó como defectos, con imágenes en bruto mostradas como referencia
Ejemplo 2: Medición del Tamaño de la Brecha (Ensamblaje Proveedor T1)
Tarea: Verificar que la brecha de la inspección sea del tamaño correcto
Configuración:
- ROI: Rectángulo alrededor del área de la brecha
- Lógica de Medición: Condición de aprobación basada en valores de área de píxeles
- Clases:
- Píxel azul enseñando cómo se ve la distancia
- ✅ Bueno - Área <100 píxeles (Aprobar)
- ❌ Defecto - Área > 100 píxeles (Fallar)
Resultado: Medición precisa del tamaño de la brecha con conteo exacto de píxeles
Ejemplo 3: Salpicaduras de Pintura
Tarea: Identificar que no hay salpicaduras de pintura
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
Cuándo Elegir Cada Modelo
Elija Clasificación Cuando:
Decisiones de Estado Discreto:
- ✅ Necesita una categorización simple de bueno/malo
- ✅ Todo el ROI puede ser etiquetado como una de varias clases
- ✅ Evaluación de condición general es suficiente
- ✅ Se esperan ubicaciones de defectos fijas
- ✅ Se aceptan tiempos de ciclo más rápidos durante la inspección
Mejor para: Decisiones de Go/No-Go, presencia/ausencia de componentes, evaluación de calidad general
Elija Segmentación Cuando:
Análisis de Ubicación Variable:
- ✅ Los defectos pueden aparecer en cualquier lugar en el área de inspección
- ✅ Necesita 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 superficies, mediciones de brechas, verificación de cobertura, fallas de ubicación variable
Comparación de Rendimiento
Rendimiento del Tiempo de Ciclo
| Tipo de Modelo | Velocidad de Inspección | Mejor Caso de Uso |
|---|---|---|
| Segmentación | ⚡ Más Rápido | Líneas de producción de alta velocidad |
| Clasificación (Precisa) | Más Lento | Inspecciones críticas para la calidad |
| Clasificación (Rápida) | Media | Pruebas y prototipos |
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.
Resumen de Modos de Entrenamiento
Opciones de Entrenamiento de Clasificación
- Modo Rápido: Configuración rápida para pruebas (no listo para producción)
- Modo Preciso: Listo para producción con mayor precisión
Opciones de Entrenamiento de Segmentación
- Modo Preciso Solo: Modo único de alta precisión optimizado para producción