Clasificador vs Segmentador
Esta página explica los dos tipos de modelos AI disponibles en el sistema OV20i y le ayuda a elegir el enfoque correcto para sus necesidades de inspección.
Dos Tipos de Proyectos
El OV20i ofrece dos enfoques distintos de modelos AI para diferentes requerimientos de inspección:
- Clasificación - Enfoque "Cats vs. Dogs"
- Segmentación - Enfoque "¿Dónde está Waldo?"
Modelos de Clasificación
¿Qué es Clasificación?
Cree una Receta de Clasificación para entrenar un modelo de deep-learning que categorice una imagen en diferentes clases basadas en sus características visuales.
El enfoque "Cats vs. Dogs":
La clasificación es ideal para proyectos donde la imagen puede estar en uno de varios estados discretos (por ejemplo, bueno vs. malo, pero con cualquier número de clases).
Modos de Entrenamiento para Clasificación
La clasificación ofrece dos enfoques distintos de entrenamiento:
⚡ Clasificador Rápido
- Propósito: Configuración y prueba rápida
- 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 principal para mejores resultados
Ejemplos de Clasificación en Producción
Ejemplo 1: Detección de Tuerca Floja (Ensamble OEM)
Tarea: Identificar tuercas flojas en ensamblajes mecánicos
Configuración:
- ROI: Rectángulo alrededor del área de la tuerca
- Clases:
- ✅ Bueno - Tuerca correctamente apretada (Pasa 100%)
- ❌ Defecto - Tuerca floja (Falla 98%)
Resultado: Decisión binaria - la tuerca está correctamente asentada o floja
Ejemplo 2: Verificación de Asiento del Eje (Ensamble OEM)
Tarea: Identificar ejes parcialmente asentados
Configuración:
- ROI: Rectángulo que cubre 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 instalado correctamente o defectuoso
Ejemplo 3: Inspección de Pin Torcido (Fabricación Proveedor T1)
Tarea: Verificar pines torcidos
Configuración:
- ROI: Rectángulo que cubre el arreglo de pines del radiador
- Clases:
- ✅ Bueno - Pin sin daño (Recto)
- ❌ Defecto - Pines torcidos/dañados (Torcido)
Resultado: El clasificador diferencia un pin bueno de uno malo
Modelos de Segmentación
¿Qué es Segmentación?
Cree una Receta de Segmentación para entrenar un modelo de deep-learning que tome una imagen y segmente clases a nivel de píxel basándose en defectos etiquetados. Al operar a nivel de píxel, esta herramienta es útil para inspecciones que requieren un control más detallado sobre las etiquetas.
El enfoque "¿Dónde está Waldo?":
La segmentación es ideal para proyectos donde el defecto puede tener diversas formas y tamaños, pero aparecer en diferentes ubicaciones (por ejemplo, búsqueda de rayones y abolladuras).
Modo de Entrenamiento para Segmentación
Solo Preciso/Para Producción
- 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 en Producción
Ejemplo 1: Detección de Defectos en Superficie (Ensamble Proveedor T1)
Tarea: Identificar derrame 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 AI detectó como defectos, con imágenes originales para referencia
Ejemplo 2: Medición de Tamaño de Brecha (Ensamble Proveedor T1)
Tarea: Verificar que la brecha de inspección tenga el tamaño correcto
Configuración:
- ROI: Rectángulo alrededor del área de la brecha
- Lógica de Medición: Condición de pase basada en valores de área de píxeles
- Clases:
- Píxeles azules que enseñan cómo es la distancia
- ✅ Bueno - Área < 100 píxeles (Pasa)
- ❌ Defecto - Área > 100 píxeles (Falla)
Resultado: Medición precisa del tamaño de la brecha con conteo exacto de píxeles
Ejemplo 3: Salpicaduras de Pintura
Tarea: Identificar que no haya salpicaduras de pintura
Configuración:
- ROI: Rectángulo alrededor de la región de inspección
- Clases de Píxeles:
- Píxeles amarillos para enseñar cómo es la pintura
Resultado: Detección a nivel de píxel de salpicaduras de pintura
Cuándo Elegir Cada Modelo
Elija Clasificación Cuando:
Decisiones de Estado Discreto:
- ✅ Necesita categoría simple bueno/malo
- ✅ Toda la ROI puede ser etiquetada como una de varias clases
- ✅ Evaluación general del estado es suficiente
- ✅ Se esperan ubicaciones fijas de defectos
- ✅ Se aceptan tiempos de ciclo más rápidos durante la inspección
Ideal para: Decisiones Go/No-Go, presencia/ausencia de componentes, evaluación general de calidad
Elija Segmentación Cuando:
Análisis de Ubicación Variable:
- ✅ Los defectos pueden aparecer en cualquier lugar del área de inspección
- ✅ Necesita medir tamaño o área de defectos
- ✅ Múltiples tipos de defectos pueden existir en una imagen
- ✅ Se requiere mapeo preciso de ubicación
- ✅ Tiempos de ciclo más rápidos son críticos para producción
Ideal para: Defectos en superficie, medición de brechas, verificación de cobertura, fallas en ubicaciones variables
Comparación de Rendimiento
Rendimiento de Tiempo de Ciclo
| Tipo de Modelo | Velocidad de Inspección | Mejor Caso de Uso |
|---|---|---|
| Segmentación | ⚡ Más rápido | Líneas de producción de alta velocidad |
| Clasificación (Preciso) | Más lento | Inspecciones críticas de calidad |
| Clasificación (Rápido) | Medio | Pruebas y prototipos |
💡 Nota de Rendimiento: Los modelos de segmentación ofrecen los tiempos de ciclo de inspección más rápidos, haciéndolos ideales para entornos de producción de alto rendimiento.
Resumen de Modos de Entrenamiento
Opciones de Entrenamiento para Clasificación
- Modo Rápido: Configuración rápida para pruebas (no listo para producción)
- Modo Preciso: Listo para producción con mayor precisión
Opciones de Entrenamiento para Segmentación
- Solo Modo Preciso: Modo único de alta precisión optimizado para producción