Creación de la Primera Receta

Esta inmersión detallada explica qué es una receta, describe las diferencias entre Clasificación y Segmentación, y ofrece una guía 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 de Alignment, la optimización de ROI, la recopilación de datos y el entrenamiento de IA, así como la configuración de aumento de imágenes.

Guía de Video

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

---

Objetivos de aprendizaje

Al final de esta inmersión, entenderá:

• qué es una receta
• la diferencia entre clasificación y segmentación – y cuándo usar cada una
• cómo crear una receta
• cómo configurar Imaging Setup
• cómo capturar una Template Image y configurar el Alignment
• 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 configuraciones de la cámara, incluyendo exposición, enfoque y parámetros de iluminación para una captura de imágenes consistente.
• Incluye lógica de procesamiento tal como definiciones de ROI, Alignment, clases de clasificación o segmentación.
• Almacena configuraciones de entrada/salida para integrarse con sistemas de automatización para pass/fail o señales avanzadas.
• Puede ser guardado y reutilizado para garantizar inspecciones consistentes entre turnos, líneas o instalaciones.

Clasificación vs. Segmentación

Definiciones

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

Comparación Clave

	Clasificación	Segmentación
Velocidad	La velocidad depende de Image Setup y de la complejidad. Generalmente 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 pass/fail 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
Requisitos de datos	Bajo – Requiere menos imágenes etiquetadas	Moderado – Requiere muchas imágenes con anotaciones de píxel precisas
Casos de uso	Presencia de la pieza, orientación, verificaciones básicas de calidad, pieza insertada/no insertada, etc.	Defectos de la superficie, inspección de rasgos finos, detección de múltiples defectos, conteo, medición, etc.

Creación y Exportación de 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

Recordatorio: 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 de referencia con bordes nítidos (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 con un ángulo y quieres que la imagen se muestre al revés en la interfaz.

nota

Si necesita rotar la imagen 90°, gire la cámara.

Exposición (ms)

• Qué es: Cuánto tiempo el sensor permanece expuesto a la luz durante la captura de la imagen.
• Efecto:
  • Mayor exposición → imágenes más brillantes, pero con riesgo de desenfoque por movimiento.
  • Menor exposición → menos luz, pero imágenes más nítidas en aplicaciones de movimiento rápido.

Subexpuesta	Expuesta correctamente	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 digitalmente la imagen de forma artificial (como ISO en una cámara).
• Efecto:
  • Ganancia mayor → imagen más brillante, pero añade ruido (apariencia granulada).
  • Ganancia menor → imagen más limpia, pero necesita buena iluminación.

Ganancia Alta	Ganancia Baja
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 aparezcan blancos.
• Cuándo usarlo:
  • Ideal para entornos con condiciones de iluminación variables o cambiantes.
  • Para configuraciones estables, el balance de blancos manual ofrece resultados más consistentes y repetibles.

nota

Para ajustar manualmente el balance de blancos:

• Active el interruptor de Balance de Blancos Automático.

• Coloque una hoja de papel blanco debajo de la cámara o frente al objetivo.

• Desactive el interruptor para fijar la configuración de balance de blancos.

Gamma

• Qué es: Ajusta el brillo de los tonos medios sin afectar demasiado las áreas oscuras o brillantes.
• Efecto: Útil para revelar detalles en las sombras o reducir reflejos excesivamente brillantes.

Lens Correction

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

LED Strobe Mode

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

LED Light Pattern

• Qué es: Selecciona cómo iluminan los LEDs (p. ej., Todos encendidos, todos apagados, Izquierda y derecha, Superior e inferior, 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 activas las fuentes de luz inclinadas para una mejor visibilidad.

Intensidad de la 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.

Photometric Control

• Qué es: Captura múltiples imágenes (típicamente cuatro) con diferentes iluminaciones direccionales (izquierda, derecha, superior e inferior) y luego las combina en una sola imagen mejorada.
• Propósito: Esta técnica reduce sombras y resalta características sutiles de la superficie 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 pueden pasar por alto detalles críticos.

Trigger Settings

Manual Trigger

• Qué es: Captura imágenes cuando pulsas el botón en la pantalla HMI.
• Mejor para: Pruebas, configuración o inspecciones manuales.

Hardware Trigger

• Qué es: Utiliza una señal eléctrica (p. ej., de un sensor) para disparar la cámara.
• Mejor para: Líneas automatizadas en las que un sensor detecta la presencia de la pieza.

PLC Trigger

• Qué es: Las señales de disparo se envían a través de controladores industriales (PLCs) para una operación sincronizada con otras máquinas.
• Mejor para: Sistemas totalmente automatizados que requieren temporización precisa.

Aligner Trigger

• Qué es: Se dispara automáticamente cuando el sistema detecta el alineamiento de la pieza en el campo de visión.
• Mejor para: Aplicaciones donde las piezas requieren una posición constante antes de la captura o cuando no hay otros disparadores confiables disponibles.

Interval Trigger

• Qué es: Dispara la cámara a intervalos de tiempo definidos.
• Mejor para: Procesos continuos o para monitorear 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 Plantilla

• Qué es: Define la(s) área(s) de la imagen de plantilla utilizadas 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 enfocarse únicamente en las características de la pieza más distintivas para una alineación precisa.

Rango de Rotación

• Qué es: Establece cuánto giro (en grados) tolerará el sistema al hacer coincidir la pieza con la plantilla.
• Ejemplo: Configurar ±20° permite que la pieza gire ligeramente pero siga siendo detectada.
• Cuándo ajustar: Aumentar si las piezas tienden a girar durante la producción; reducir 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 detalles más sutiles, útil para piezas complejas.
  • Baja sensibilidad → reduce coincidencias falsas pero puede perder rasgos finos.

Umbral de Confianza

• Qué es: Establece la puntuación mínima de confianza requerida para que el sistema acepte una detección.
• Efecto:
  • Umbral más alto → menos falsos positivos pero podría faltar coincidencias límite.
  • Umbral más bajo → más detecciones, pero con mayor riesgo de falsos positivos.

tip

Comienza de forma moderada y ajusta según los resultados de las pruebas.

Invariante a la Escala

• Qué es: Permite al sistema detectar piezas que son ligeramente más grandes o más pequeñas que la imagen de plantilla original.
• Cuándo habilitar: 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. Un cuadro delimitador configurable que define la región específica del campo de visión (FOV) de la cámara que se monitorizará durante la activación.

• Propósito: Garantiza que la cámara se enfoque solo en la zona relevante, ignorando 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 al reducir la cantidad de datos de imagen analizados.

2. Un punto rojo visual que muestra el punto central de todas las ROI (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 detecta el borde del objeto.

tip

Si observa que la línea cambia a rojo, intente aumentar el tamaño de la ROI, ajustar la ROI o aumentar la Sensibilidad.

ROI (Región de Interés) Definición y Optimización

Tipos de Inspección

• Qué es: Define el tipo de inspección que se está realizando y agrupa ROIs (Regiones de Interés) similares.
• Ejemplo: “Holes” para verificar la presencia, tamaño o calidad de los agujeros en una pieza.
• Características clave:
  • Agregar Tipo de Inspección: Cree nuevas categorías para diferentes requisitos de inspección.
  • N° de ROIs: Muestra cuántos ROIs están asignados actualmente a ese tipo de inspección.

Transformación

• Qué es: Ajusta la posición y geometría de los ROIs seleccionados para una alineación y colocación precisas.
• Campos y su propósito:
  • Altura/Anchura: Cambia el tamaño del ROI.
  • X / Y: Desplaza la posición del ROI a lo largo de los ejes horizontal (X) y vertical (Y).
  • Ángulo: Rota el ROI alrededor de su centro.
• Uso recomendado: Acelera la configuración cuando tienes patrones repetitivos, como múltiples agujeros idénticos.

Regiones de Inspección

• Qué es: Una lista de todas las ROIs definidas en la imagen de plantilla.
• Características:
  • Agregar Región de Inspección: Crea una ROI nueva manualmente.
  • Regiones a Ignorar: Excluye 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 los ROIs durante la configuración.

Botón de Prueba

• Qué es: Ejecuta backtesting basándose en imágenes antiguas para verificar los cambios.
• Caso de uso: Para comparar los resultados actuales con configuraciones anteriores para mayor precisión y consistencia.

Recolección 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 Clase de Pincel para seleccionar la clase a anotar. El límite actual es de hasta 10 clases por receta para segmentación.

Importancia de los datos de calidad

• Entrada de basura, salida de basura (GIGO): Los modelos de IA solo pueden ser tan buenos como los datos que se alimentan. Datos de mala calidad o inconsistentes conducen a resultados inexactos.

• La diversidad importa: 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, a menudo funciona mejor que uno grande pero ruidoso o inconsistente.

Conceptos básicos de anotación:

• Clasificación: Etiquete imágenes completas o ROIs como una clase específica (p. ej., “Bueno”, “Dañado”).
• Segmentación: Pinte, delineé o resalte áreas específicas de interés con precisión a nivel de píxeles (p. ej., ubicación de un rasgo en una superficie).
• Consistencia: Use reglas y definiciones consistentes para etiquetar y evitar confusiones durante el entrenamiento.

Errores comunes

• Datos insuficientes: Demasiadas pocas muestras conducen a subajuste, causando un rendimiento deficiente en el mundo real.
• Clases desequilibradas: La sobrerepresentación de una clase (p. ej., muchos componentes “buenos” pero pocos defectuosos) 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 conduce a deriva en la precisión.
• No validar los datos: Omitir controles de calidad antes del entrenamiento a menudo resulta en pérdida de tiempo y retrabajo.

Aumento de Datos

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

Augmentaciones de Color

Brillo

• Qué es: Ajusta cuán clara u oscura aparece la imagen.
• Caso de uso: Para manejar cambios ligeros en la iluminación durante la producción.

tip

Utilice ±0.1 para configuraciones estables; aumente si la iluminación varía más.

Contraste

• 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.

Matiz

• Qué es: Desplaza ligeramente los tonos de color.
• Caso de uso: Útil para configuraciones donde el color de la iluminación (p. ej., temperatura de color de LED) podría cambiar con el tiempo.

Saturación

• Qué es: Ajusta la intensidad de los colores.
• Caso de uso: Ayuda a manejar variaciones en la iluminación que hacen que las imágenes se vean más opacas o más vibrantes.

Augmentaciones Geométricas

Rango de Rotación

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

tip

Evite rotaciones excesivas para piezas que normalmente están fijas en su orientación.

Voltear

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

Simulación de Iluminación y Color

Planckiano

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

Ruido Gaussiano

• Qué es: Agrega 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.

Simulación de Movimiento

Desenfoque por Movimiento

• 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.

Probabilidad (prob)

• Qué es: Establece la probabilidad de aplicar cada augmentación durante el entrenamiento.
• Ejemplo: 0.50 = 50% de probabilidad de aplicar ese cambio a cualquier imagen de entrenamiento.

tip

Comience en 0.5 para la mayoría de las augmentaciones y ajuste según la variabilidad del mundo real.

Parámetros de Entrenamiento (Segmentación)

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 cuán rápido se actualizan los pesos internos del modelo durante el entrenamiento.
• Valor (0.003): Cuanto mayor sea la tasa de aprendizaje, más rápido aprenderá el modelo, pero si es demasiado alta puede provocar inestabilidad o baja precisión.
• Rango del control deslizante: Desde 10^-4 (muy lento) hasta 10^-1 (muy rápido).

tip

Normalmente, un valor entre 0.001–0.01 es un buen punto de partida para tareas de segmentación.

Tamaño de ROI (Region of Interest)

• Definición: Define el tamaño (ancho × alto) del área de imagen utilizada durante el entrenamiento.
• No seleccionado: Por defecto, el modelo determina automáticamente la ROI basada 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 tenga imágenes de tamaños diferentes y desee una entrada consistente para una mejor estabilidad, reproducibilidad o para adaptarse a 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 ROI (Region of Interest) basada en las características de su conjunto de datos.

Número de Iteraciones (Epochs)

• Definición: Una época = 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 normalmente mejora la precisión hasta cierto punto, pero toma 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 sigue disminuyendo, es señal de que el modelo se 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 conjuntos de datos. Ideal para pruebas rápidas 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

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

GPU Externa

Contacte a Soporte para obtener más información sobre la GPU Externa (External GPU).

Parámetros de Entrenamiento (Clasificación)

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

Learning Rate

• Definición: Controla qué tan rápido actualiza el modelo 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 precisión deficiente.
• Rango deslizante: Desde 10^-4 (muy lento) a 10^-1 (muy rápido).

tip

Normalmente, un valor entre 0.001–0.01 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 elecciones 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 la detección del sobreajuste.

ROI (Región de Interés) tamaño

• Definición: Define el tamaño (ancho × alto) del área de imagen utilizada durante el entrenamiento.
• Desmarcado: Por defecto, el modelo determina automáticamente la ROI en función de sus datos.
• Cuando está marcado: 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 tenga imágenes de diferentes tamaños y desee una entrada consistente para mejorar la estabilidad, la reproducibilidad o para coincidir con una arquitectura de modelo conocida.

Déjelo elegir automáticamente cuando sus datos ya tengan una resolución uniforme o cuando desee que el sistema optimice la mejor región de interés (ROI) en función de las características de su conjunto de datos.

Número de Iteraciones (Épocas)

• Definición: Una época = una pasada completa a través de 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 tardará más.

Regla de oro: Supervise la pérdida de entrenamiento y la pérdida de validación durante el entrenamiento. Si la pérdida de validación deja de disminuir mientras la pérdida de entrenamiento continúa reduciéndose, es señal de que el modelo está sufriendo de sobreajuste y debería detener el entrenamiento antes.

Arquitectura

• Definición: Define el tamaño y la complejidad de la red neuronal.
• Small: Se entrena más rápido y suele ser suficiente para la mayoría de los conjuntos de datos. Ideal para experiencia rápida o conjuntos de datos 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 a medianos.
ConvNeXt-Tiny	Ofrece mayor precisión manteniendo la eficiencia.	Adecuado para conjuntos de datos moderados y ejecución de entrenamiento más largas.
ConvNeXt-Small	La variante más capaz de esta lista. Mayor capacidad y precisión.	Úsela para conjuntos de datos grandes o cuando se necesite rendimiento máximo.

GPU Externa

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