Creación de la Primera Receta

Este análisis a fondo explica qué es una receta, describe las diferencias entre Clasificación y Segmentación, y proporciona una guía paso a paso para crear una receta. También incluye un recorrido detallado sobre la configuración de imagen, la captura de la imagen de plantilla y la configuración de alineación, la optimización de ROI, la recopilación de datos y el entrenamiento de AI, así como la configuración de aumento de datos.

Guía en Video

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

---

Objetivos de Aprendizaje

Al final de este análisis a fondo, comprenderá:

• qué es una receta
• la diferencia entre Clasificación y Segmentación – y cuándo usar cada una
• cómo crear una receta
• cómo configurar la configuración de imagen
• cómo capturar una imagen de plantilla y configurar el alineador
• qué son las ROI (Regiones de Interés) y cómo optimizarlas
• recopilación de datos para el entrenamiento de AI
• pruebas y validación de recetas

¿Qué es una Receta?

• Un conjunto configurado de instrucciones que le indica a la cámara cómo inspeccionar una pieza o producto específico.
• Define los ajustes de la cámara, incluyendo exposición, ganancia y balance de blancos para una captura de imagen consistente. El enfoque del lente y la apertura se configuran mecánicamente en el lente con montura C.
• Incluye lógica de procesamiento como definiciones de ROI, alineador, clases de clasificación o segmentación.
• Almacena configuraciones de entrada/salida para integrarse con sistemas de automatización para señales de aprobado/rechazado o señales avanzadas.
• Puede guardarse y reutilizarse para garantizar inspecciones consistentes entre turnos, líneas o instalaciones.

Clasificación vs. Segmentación

Definiciones

• Clasificación: Identificar el tipo de objeto en la 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 la configuración de imagen y 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	Bueno para aprobado/rechazado general o identificación de tipo de pieza	Mayor precisión para la localización precisa de defectos
Complejidad	Simple de configurar y mantener; menos parámetros	Compleja – Requiere más datos, etiquetado y ajuste
Requerimiento de Datos	Bajo – Requiere menos imágenes etiquetadas	Moderado – Requiere muchas imágenes con anotaciones detalladas a nivel de píxel
Casos de Uso	Presencia de piezas, orientación, verificaciones básicas de calidad, pieza insertada/no insertada, etc.	Defectos superficiales, inspección de características finas, detección de múltiples defectos, conteo, medición, etc.

Creando y Exportando una receta

Utilice el botón Exportar receta junto a una receta para exportar una receta individual.

Utilice el botón Exportar en la parte superior de la pantalla para exportar varias recetas a la vez.

Utilice el botón Importar en la parte superior de la pantalla para importar recetas.

nota

Recuerde: 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

Rotación de imagen

• Qué es: Rota la imagen (0° o 180°).
• Cuándo usarlo: Si la cámara está montada en un ángulo pero desea que la imagen se muestre de la otra manera en la interfaz.

nota

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

Ganancia

• Qué es: Aumenta el brillo de la imagen de forma digital y artificial (similar al ISO en una cámara).
• Efecto:
  • Mayor ganancia → imagen más brillante, pero agrega ruido (aspecto granulado).
  • Menor ganancia → imagen más limpia, pero requiere buena iluminación.

Ganancia alta	Ganancia baja
Más brillante y con más ruido	Más oscura y con menos ruido

tip

Solo aumente la ganancia si no es posible ajustar la exposición o la iluminación.

Imagen de plantilla y alineación

Omitir alineador

• Qué es: Desactiva el paso de alineación durante la inspección.
• Cuándo usarlo: Si la pieza siempre está en la misma posición y orientación en la imagen.

Regiones de plantilla

• Qué es: Define el/las 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 solo en las características más distintivas de la pieza para una alineación precisa.

Rango de rotación

• Qué es: Establece cuánta rotación (en grados) tolerará el sistema al hacer coincidir la pieza con la plantilla.
• Ejemplo: Configurar ±20° permite que la pieza gire ligeramente pero aún así sea detectada.
• Cuándo ajustarlo: Auméntelo si las piezas tienden a rotar durante la producción; disminúyalo para orientaciones altamente consistentes.

Sensibilidad

• Qué es: Controla con qué precisión el sistema busca una coincidencia entre la imagen en vivo y la plantilla.
• Efecto:
  • Sensibilidad alta → detecta detalles más sutiles, útil para piezas complejas.
  • Sensibilidad más baja → reduce falsas coincidencias pero puede pasar por alto características finas.

umbral de confianza

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

tip

Comience con un valor moderado y ajuste según los resultados de la prueba.

invariante de escala

• Qué es: Permite que el sistema detecte piezas que son ligeramente más grandes o más pequeñas que la imagen de plantilla original.
• Cuándo habilitarlo: Si el tamaño de la pieza puede variar ligeramente debido al posicionamiento, 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 a monitorear durante el disparo.

• Propósito: Garantiza que la cámara se enfoque solo en el área 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 reduciendo la cantidad de datos de imagen analizados.

2. Un punto rojo visual que muestra el punto central de todas las ROIs (regiones de interés) definidas en la imagen.

• Propósito: Le ayuda a alinear y posicionar la región de búsqueda con respecto a la pieza o vista de la cámara.

3. La línea verde indica que se detecta el borde del objeto.

tip

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

Definición y Optimización de ROI (Región de Interés)

Tipos de Inspección

• Qué es: Define el tipo de inspección que se está realizando y agrupa ROIs (regiones de interés) similares.
• Ejemplo: "Agujeros" 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.
  • # de ROIs: Muestra cuántas ROIs están asignadas actualmente a ese tipo de inspección.

Transformación

• Qué es: Ajusta la posición y geometría de las ROIs seleccionadas para una alineación y ubicación precisas.
• Campos y su propósito:
  • Alto/Ancho: Cambia el tamaño de la ROI.
  • X / Y: Mueve la posición de la ROI a lo largo de los ejes horizontal (X) y vertical (Y).
  • Ángulo: Rota la ROI alrededor de su centro.
• Mejor uso: Acelera la configuración cuando tiene 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: Crear una nueva ROI manualmente.
  • Ignorar Regiones: Excluir regiones específicas del procesamiento.
  • Editar: Guardar, eliminar o cancelar.
  • Ícono de Candado: Indica ROIs bloqueadas que no se pueden mover sin desbloquear.

Modo de Vista Previa en Vivo

• Qué es: Muestra retroalimentación en tiempo real después de ajustar o agregar ROIs.
• Caso de uso: Excelente para el ajuste fino de las posiciones y tamaños de las ROIs durante la configuración.

Botón de Prueba

• Qué es: Ejecutar pruebas retrospectivas basadas en imágenes antiguas para verificar los cambios.
• Caso de uso: Para comparar los resultados actuales con configuraciones previas en cuanto a precisión y consistencia.

Recolección de Datos y Entrenamiento de AI

Defina diferentes clases de inspección y etiquete cada ROI según su tipo de inspección designado (vea el ejemplo a continuación).

Utilice las Herramientas de Anotación para etiquetar/anotar la imagen. Use 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 buenos datos

• Basura entra, basura sale: Los modelos de AI solo pueden ser tan buenos como los datos que se les proporcionan. Los datos de mala calidad o inconsistentes conducen a resultados imprecisos.

• 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 tendrá un mejor desempeño que un conjunto de datos grande pero ruidoso o inconsistente.

Fundamentos de la Anotación:

• Clasificación: Etiquete imágenes completas o ROIs como una clase específica (por ejemplo, "Buena", "Dañada").
• Segmentación: Marque con pincel, delinee o resalte áreas específicas de interés con precisión a nivel de píxel (por ejemplo, la ubicación de un rasguño en una superficie).
• Consistencia: Utilice reglas y definiciones consistentes para el etiquetado a fin de evitar confusiones durante el entrenamiento.

Errores Comunes

• Datos insuficientes: Muy pocas muestras conducirán a un subajuste, provocando un desempeño deficiente en el mundo real.
• Clases desbalanceadas: La sobrerrepresentación de una clase (por ejemplo, muchas piezas "buenas" pero pocas defectuosas) sesga el modelo.
• Etiquetado deficiente: Un etiquetado incorrecto, inconsistente o apresurado provoca caídas significativas en la precisión.
• Ignorar cambios en el entorno: No actualizar el conjunto de datos cuando cambian la iluminación, la orientación de las piezas o las condiciones de la superficie provoca una deriva en la precisión.
• No validar los datos: Omitir las verificaciones de calidad antes del entrenamiento a menudo resulta en tiempo perdido y retrabajo.

Aumento de Datos

Los aumentos de datos de imágenes modifican artificialmente sus imágenes de entrenamiento para mejorar la robustez del modelo. Simulan variaciones del mundo real como cambios de brillo, rotaciones o ruido para que el modelo tenga un buen desempeño en diferentes condiciones.

Aumentos de Color

Brillo

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

tip

Use ±0.1 para configuraciones estables; auméntelo si la iluminación varía más.

Contraste

• Qué es: Cambia la diferencia entre áreas claras y oscuras.
• Caso de uso: Útil para piezas con textura o superficies variadas para ayudar al modelo a adaptarse a las diferencias visuales.

Matiz (Hue)

• Qué es: Desplaza ligeramente los tonos de color.
• Caso de uso: Bueno para configuraciones donde el color de la iluminación (por ejemplo, temperatura del LED) puede 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 apagadas o más vibrantes.

Aumentos Geométricos

Rango de Rotación

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

tip

Evite la rotación excesiva para piezas que suelen estar fijas en su orientación.

Volteo (Flip)

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

Simulación de Iluminación y Color

Planckian

• Qué es: Simula variaciones en la temperatura del color (por ejemplo, iluminación cálida o fría).
• Caso de uso: Maneja diferentes turnos o celdas de trabajo con distintas fuentes de luz.

Ruido Gaussiano

• Qué es: Agrega ruido sutil a la imagen.
• Caso de uso: Mejora la robustez si su entorno de producción tiene pequeño ruido visual o artefactos del sensor de la cámara.

Simulación de Movimiento

Desenfoque de Movimiento (Motion Blur)

• Qué es: Simula un ligero desenfoque como si la pieza se hubiera movido durante la captura.
• Caso de uso: Crítico para líneas de alta velocidad donde puede ocurrir desenfoque de movimiento.

Probabilidad (prob)

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

tip

Comience en 0.5 para la mayoría de los aumentos de datos y ajuste según la variabilidad del mundo real.

Parámetros de Entrenamiento (Segmentación)

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

Tasa de Aprendizaje (Learning Rate)

• Definición: Controla qué tan rápido el modelo actualiza sus pesos internos durante el entrenamiento.
• Valor (0.003): Cuanto mayor sea la tasa de aprendizaje, más rápido aprenderá el modelo, pero un valor demasiado alto puede causar inestabilidad o baja precisión.
• Rango del control deslizante: De 10^-4 (muy lento) a 10^-1 (muy rápido).

tip

Generalmente, 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.
• Sin marcar: Por defecto, el modelo determina automáticamente el ROI basándose en sus datos.
• Cuando se marca: Puede establecer manualmente el ancho y el alto si necesita dimensiones de entrada consistentes (por ejemplo, todas las imágenes recortadas a 256×256 píxeles).

tip

Use un tamaño fijo (por ejemplo, 256×256) cuando su conjunto de datos tenga imágenes de diferentes tamaños y desee una entrada consistente para mayor estabilidad, reproducibilidad o para coincidir con una arquitectura de modelo conocida.

Deje que se elija automáticamente cuando sus datos ya tengan una resolución uniforme o cuando desee que el sistema optimice la mejor región de interés según las características de su conjunto de datos.

Número de Iteraciones (Epochs)

• Definición: Una epoch = una pasada completa a través de todo el conjunto de datos de entrenamiento.
• Valor (100): El modelo se entrenará durante 100 pasadas completas.

tip

Aumentar este número generalmente mejora la precisión hasta cierto punto, pero toma más tiempo.

Regla general: Monitoree la pérdida de entrenamiento y validación durante el entrenamiento. Si la pérdida de validación deja de disminuir mientras la pérdida de entrenamiento sigue bajando, es una señal de que el modelo está sobreajustándose y debe 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 los conjuntos de datos. Ideal para experimentación rápida o conjuntos de datos más pequeños.
• Los modelos más grandes 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

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

GPU Externa

Contacte a Soporte para saber más sobre la GPU Externa.

Parámetros de Entrenamiento (Clasificación)

Los parámetros de entrenamiento (también llamados hiperparámetros) son las configuraciones que controlan cómo un modelo de machine learning aprende de los datos.

Learning Rate

• Definición: Controla qué tan rápido el modelo actualiza sus pesos internos durante el entrenamiento.
• Valor (0.003): Cuanto mayor sea el learning rate, más rápido aprende el modelo, pero un valor demasiado alto puede causar inestabilidad o baja precisión.
• Rango del deslizador: De 10^-4 (muy lento) a 10^-1 (muy rápido).

tip

Usualmente, 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 apartará para validación (pruebas durante el entrenamiento).
• Propósito: Los datos de validación ayudan a monitorear qué tan bien se desempeña el modelo en ejemplos no vistos, previniendo el sobreajuste.
• Rango: 0–50%.

tip

Opciones comunes son 10–20%.

Si se establece en 0%, todos los datos se usan para entrenamiento, lo cual puede mejorar la precisión del entrenamiento pero dificulta detectar el sobreajuste.

Tamaño de ROI (Region of Interest)

• Definición: Define el tamaño (ancho × alto) del área de imagen utilizada durante el entrenamiento.
• Sin marcar: De forma predeterminada, el modelo determina automáticamente la ROI en función de sus datos.
• Cuando está marcado: Puede establecer manualmente el ancho y el alto si necesita dimensiones de entrada consistentes (por ejemplo, todas las imágenes recortadas a 256×256 píxeles).

tip

Use un tamaño fijo (por ejemplo, 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.

Deje que se elija automáticamente cuando sus datos ya tengan una resolución uniforme o cuando quiera que el sistema optimice la mejor región de interés según las características de su conjunto de datos.

Número de Iteraciones (Epochs)

• Definición: Un epoch = 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 generalmente mejora la precisión hasta cierto punto, pero toma más tiempo.

Regla general: Monitoree la pérdida de entrenamiento y de validación durante el entrenamiento. Si la pérdida de validación deja de disminuir mientras que la pérdida de entrenamiento sigue bajando, es una señal de que el modelo está sobreajustándose y debe detener el entrenamiento antes.

Arquitectura

• Definición: Selecciona 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 experimentación rápida o conjuntos de datos más 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 uso de memoria.	Ideal para experimentos rápidos o hardware limitado.
ConvNeXt-Nano	Ligeramente más grande que Pico; mejor precisión con un costo adicional mínimo.	Buen equilibrio para conjuntos de datos pequeños a medianos.
ConvNeXt-Tiny	Ofrece precisión mejorada manteniéndose eficiente.	Adecuado para conjuntos de datos moderados y entrenamientos más largos.
ConvNeXt-Small	Variante más capaz de esta lista. Mayor capacidad y precisión.	Úselo para conjuntos de datos grandes o cuando se necesite el máximo rendimiento.

GPU Externa

Contacte a Soporte para saber más sobre la GPU Externa.