Creación de la Primera Receta

Esta profundización 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 la Configuración de Imágenes, la captura de Imágenes de Plantilla y la configuración de Alineación, la optimización de ROIs, la recolección de datos y el entrenamiento de IA, así como la configuración de aumento de imágenes.

Guía en Video

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

---

Objetivos de Aprendizaje

Al final de esta profundización, usted entenderá:

• qué es una receta
• la diferencia entre clasificación y segmentación, y cuándo usar cada una
• cómo crear una receta
• cómo configurar la Configuración de Imágenes
• cómo capturar una Imagen de Plantilla y configurar el Alineador
• qué son los ROIs (Regiones de Interés) y cómo optimizarlos
• recolección de datos para el entrenamiento de IA
• pruebas y validación de recetas

¿Qué es una Receta?

• Un conjunto configurado de instrucciones que indica a la cámara cómo inspeccionar una pieza o producto específico.
• Define configuraciones de cámara, incluyendo exposición, enfoque y parámetros de iluminación para una captura de imagen consistente.
• 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 aprobación/rechazo o avanzadas.
• Puede ser guardada y reutilizada para asegurar inspecciones consistentes a través de turnos, líneas o instalaciones.

Clasificación vs. Segmentación

Definiciones

• Clasificación: Identificación del tipo de objeto en el ROI
• Segmentación: Localización y análisis de regiones en la imagen/ROI

Ejemplos

Clasificación de Imágenes	Segmentación de Imágenes	Clasificación de Imágenes	Segmentación de Imágenes
¿Qué es una oveja?	¿Qué píxeles pertenecen a qué objeto?	¿Es esta pizza aceptable o defectuosa?	¿Dónde está cada pepperoni?

Comparación Clave

	Clasificación	Segmentación
Velocidad	La velocidad depende de la Configuración de Imágenes 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	Buena para identificación general de aprobación/rechazo o tipo de pieza	Mayor precisión para localización de defectos precisos
Complejidad	Simple de configurar y mantener; menos parámetros	Compleja – Necesita más datos, etiquetado y ajuste
Requerimiento de Datos	Bajo – Necesita menos imágenes etiquetadas	Moderado – Requiere muchas imágenes con anotaciones detalladas y precisas a nivel de píxel
Casos de Uso	Presencia de piezas, orientación, controles básicos de calidad, pieza insertada/no insertada, etc.	Defectos en la superficie, 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 múltiples 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 Imágenes

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 artificialmente el brillo de la imagen de forma digital (como ISO en una cámara).
• Efecto:
  • Mayor ganancia → imagen más brillante, pero añade ruido (apariencia granulada).
  • Menor ganancia → imagen más limpia, pero necesita buena iluminación.

Alta Ganancia	Baja Ganancia
Más brillante y ruidosa	Más oscura y menos ruido

tip

Aumente la ganancia solo 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 usar: Si la pieza siempre está en la misma posición y orientación en la imagen.

Regiones de Plantilla

• Qué es: Define el área(s) de la imagen de plantilla utilizada para la alineación.
  • Rectángulo: Dibuje una región rectangular de interés.
  • Círculo: Dibuje una región circular de interés.
  • Ignorar Región de Plantilla: Excluye ciertas áreas de la alineación para evitar patrones distractores o características irrelevantes.
• Mejor uso: Ayuda al sistema a centrarse solo en las características más distintivas de la pieza para una alineación precisa.

Rango de Rotación

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

Sensibilidad

• Qué es: Controla cuán finamente el sistema busca una coincidencia entre la imagen en vivo y la plantilla.
• Efecto:
  • Alta sensibilidad → detecta detalles más sutiles, útil para piezas complejas.
  • Menor sensibilidad → reduce coincidencias falsas pero puede perder características finas.

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 perder coincidencias en el límite.
  • Umbral más bajo → más detecciones, pero con un mayor riesgo de falsos positivos.

tip

Comience con un ajuste moderado y ajuste según los resultados de las pruebas.

Invariante a 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 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: Asegura 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 al reducir 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: 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 ha detectado el borde del objeto.

tip

Si ve que la línea cambia a rojo, 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 similares (Regiones de Interés).
• Ejemplo: “Agujeros” para verificar la presencia, tamaño o calidad de agujeros en una pieza.
• Características clave:
  • Agregar Tipo de Inspección: Crear nuevas categorías para diferentes requisitos de inspección.
  • # de ROIs: Muestra cuántas ROIs están actualmente asignadas a ese tipo de inspección.

Transformación

• Qué es: Ajusta la posición y geometría de las ROIs seleccionadas para una alineación y colocación precisas.
• Campos y su propósito:
  • Altura/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 Bloqueo: Indica ROIs bloqueadas que no pueden ser movidas 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 ajustar posiciones y tamaños de ROI durante la configuración.

Botón de Prueba

• Qué es: Ejecutar pruebas retrospectivas basadas en imágenes antiguas para verificar cambios.
• Caso de uso: Comparar resultados actuales con configuraciones anteriores para 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 (vea el ejemplo a continuación).

Utilice las Herramientas de Anotación para etiquetar/anotar la imagen. Use el menú desplegable Clase de Brocha para seleccionar la clase a anotar. El límite actual es de hasta 10 clases por receta para segmentación.

Importancia de buenos datos

• Basura Entra, Basura Sale: Los modelos de IA solo pueden ser tan buenos como los datos que les proporcione. Datos de mala calidad o inconsistentes conducen a resultados inexactos.

• La Diversidad Importa: Recolecte datos que representen todas las variaciones del mundo real: diferentes turnos, condiciones de iluminación, posiciones de piezas y condiciones de superficie.

• Calidad Sobre Cantidad: Un conjunto de datos más pequeño, limpio y bien etiquetado a menudo funcionará mejor que un conjunto grande pero ruidoso o inconsistente.

Fundamentos de Anotación:

• Clasificación: Etiquetar imágenes completas o ROIs como una clase específica (por ejemplo, “Bueno”, “Dañado”).
• Segmentación: Pintar, contornear o resaltar áreas específicas de interés con precisión a nivel de píxel (por ejemplo, ubicación de rasguños en una superficie).
• Consistencia: Utilizar reglas y definiciones consistentes para etiquetar para evitar confusiones durante el entrenamiento.

Errores Comunes

• Datos Insuficientes: Muy pocas muestras conducirán a un subajuste, causando un mal rendimiento en el mundo real.
• Clases Desequilibradas: La sobre-representación de una clase (por ejemplo, muchas piezas “buenas” pero pocas defectuosas) sesga el modelo.
• Etiquetado Deficiente: Etiquetado incorrecto, inconsistente o apresurado conduce a caídas significativas en la precisión.
• Ignorar Cambios en el Entorno: No actualizar el conjunto de datos cuando cambian las condiciones de iluminación, orientación de piezas o condiciones de superficie conduce a una deriva en la precisión.
• No Validar Datos: Saltarse controles de calidad antes del entrenamiento a menudo resulta en tiempo perdido y retrabajo.

Aumento de Datos

Las modificaciones 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 funcione bien en diferentes condiciones.

Aumentos de Color

Brillo

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

tip

Use ±0.1 para configuraciones estables; aumente 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 diferencias visuales.

Tono

• Qué es: Desplaza ligeramente los tonos de color.
• Caso de uso: Bueno para configuraciones donde el color de la iluminación (por ejemplo, temperatura 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 aparezcan 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 rotaciones excesivas para piezas que generalmente están fijas en orientación.

Voltear

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

Simulación de Iluminación y Color

Planckiano

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

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

• 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 de movimiento.

Probabilidad (prob)

• Qué es: Establece la probabilidad de aplicar cada aumento 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 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

• 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 demasiado alta puede causar inestabilidad o baja precisión.
• Rango del Control Deslizante: Desde 10^-4 (muy lento) hasta 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 (Región de Interés)

• Definición: Define el tamaño (ancho × alto) del área de imagen utilizada durante el entrenamiento.
• Sin marcar: Por defecto, el modelo determina automáticamente el ROI basado en 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 (por ejemplo, 256×256) cuando su conjunto de datos tenga imágenes de diferentes tamaños y desee una entrada consistente para una mejor estabilidad, 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 basada en las características de su conjunto de datos.

Número de Iteraciones (Épocas)

• Definición: Una época = un recorrido completo 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 que la pérdida de entrenamiento sigue bajando, es una señal de que el modelo está sobreajustándose y debería detener el entrenamiento antes.

Arquitectura

• Definición: Selecciona el tamaño y la complejidad de la red neuronal.
• Pequeña: 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.
• Modelos más grandes pueden capturar más detalles 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 Pequeña, a menudo es suficiente y le ayuda a iterar más rápido antes de escalar.

GPU Externa

Contacte al Soporte para saber más sobre GPU Externa.

Parámetros de Entrenamiento (Clasificación)

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

• 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 aprende el modelo, pero demasiado alta puede causar inestabilidad o baja precisión.
• Rango del control deslizante: Desde 10^-4 (muy lento) hasta 10^-1 (muy rápido).

tip

Por lo general, 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 monitorear qué tan bien se desempeña el modelo en ejemplos no vistos, previniendo el sobreajuste.
• Rango: 0–50%.

tip

Las opciones 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 detectar el sobreajuste.

Tamaño de ROI (Región de Interés)

• Definición: Define el tamaño (ancho × alto) del área de imagen utilizada durante el entrenamiento.
• Sin marcar: Por defecto, el modelo determina automáticamente el ROI basado en 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 (por ejemplo, 256×256) cuando su conjunto de datos tenga imágenes de diferentes tamaños y desee una entrada consistente para una mejor estabilidad, 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 basada en las características de su conjunto de datos.

Número de Iteraciones (Épocas)

• Definición: Una época = un pase completo a través de todo el conjunto de datos de entrenamiento.
• Valor (100): El modelo se entrenará durante 100 pases completos.

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 sobreajustando y debería detener el entrenamiento antes.

Arquitectura

• Definición: Selecciona el tamaño y la complejidad de la red neuronal.
• Pequeña: 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.

tip

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

Arquitectura y Cámara	Descripción	Uso Recomendado
ConvNeXt-Pico	Modelo ultra-ligero 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 costo mínimo añadido.	Buen equilibrio para conjuntos de datos pequeños a medianos.
ConvNeXt-Tiny	Ofrece mejor precisión mientras sigue siendo eficiente.	Adecuado para conjuntos de datos moderados y entrenamientos más largos.
ConvNeXt-Small	Variante más capaz de esta lista. Mayor capacidad y precisión.	Utilizar para conjuntos de datos grandes o cuando se necesita el máximo rendimiento.

GPU Externa

Contacte al Soporte para saber más sobre GPU Externa.