{"id":1992,"date":"2026-10-28T07:42:02","date_gmt":"2026-10-28T07:42:02","guid":{"rendered":"https:\/\/benlongkj.com\/?p=1992"},"modified":"2026-10-28T07:42:06","modified_gmt":"2026-10-28T07:42:06","slug":"ai-vision-inspection","status":"publish","type":"post","link":"https:\/\/benlongkj.com\/es\/blog\/ai-vision-inspection\/","title":{"rendered":"Inspecci\u00f3n de Visi\u00f3n AI en la Manufactura: C\u00f3mo se Diferencia de la Visi\u00f3n por M\u00e1quina en una L\u00ednea de Ensamblaje Real"},"content":{"rendered":"

El interruptor autom\u00e1tico miniatura est\u00e1 a un paso de tener su cubierta encajada en su lugar. En dos o tres segundos, la c\u00e1mara debe verificar que los remaches est\u00e9n presentes, que la manija est\u00e9 montada en la orientaci\u00f3n correcta y que las marcas l\u00e1ser se hayan realizado. El sistema de visi\u00f3n basado en reglas detecta un remache con un brillo ligeramente mayor que el remache est\u00e1ndar y lo se\u00f1ala como ausente. El operador restablece la alarma y lo mismo ocurre diez minutos despu\u00e9s. Inspecci\u00f3n de visi\u00f3n por IA<\/span> funciona de una manera completamente diferente. El sistema no sigue simplemente las reglas del ingeniero, sino que aprende c\u00f3mo es un buen producto a partir de una colecci\u00f3n de im\u00e1genes.<\/p>\n

En resumen, la inspecci\u00f3n de visi\u00f3n por IA se basa en c\u00e1maras industriales y un modelo de aprendizaje profundo entrenado con im\u00e1genes de varios componentes para determinar si un producto cumple con los est\u00e1ndares de calidad. La IA tiene ventaja al tratar con defectos que no tienen una forma fija, por ejemplo, rayaduras, grietas, marcas da\u00f1adas y salpicaduras de soldadura, ya que los sistemas de visi\u00f3n basados en reglas fallan en este aspecto. Por lo tanto, la inspecci\u00f3n de visi\u00f3n por IA sirve como una tecnolog\u00eda complementaria a la visi\u00f3n basada en reglas para actividades de medici\u00f3n o lectura de c\u00f3digos, sin eliminar la necesidad de pruebas el\u00e9ctricas como curvas de disparo, resistencia de contacto y hi-pot.<\/p><\/blockquote>\n

\"\"<\/h2>\n

\u00bfQu\u00e9 es la inspecci\u00f3n de visi\u00f3n por IA?<\/h2>\n

La tecnolog\u00eda de inspecci\u00f3n visual con Inteligencia Artificial (IA) a menudo se denomina sistema de inspecci\u00f3n basado en c\u00e1maras porque utiliza c\u00e1maras para tomar decisiones de inspecci\u00f3n basadas en capacidades de inteligencia artificial. No es una tecnolog\u00eda innovadora que introduce un nuevo tipo de iluminaci\u00f3n; es una nueva forma de procesar los datos de inspecci\u00f3n.<\/p>\n

En la l\u00ednea de producci\u00f3n, el proceso de inspecci\u00f3n consta de cuatro pasos principales:<\/p>\n

Adquisici\u00f3n de imagen. Una pieza llega al \u00e1rea de inspecci\u00f3n; se activa un sensor y la c\u00e1mara toma la imagen.
\nComparaci\u00f3n de imagen. El modelo compara la imagen tomada con muestras buenas y defectuosas previamente aprendidas y proporciona una puntuaci\u00f3n que muestra la posibilidad de defectos y, con frecuencia, ofrece informaci\u00f3n sobre las posiciones de los defectos en la imagen.
\nProcesamiento del resultado. La decisi\u00f3n de aprobar o rechazar se toma seg\u00fan el umbral definido por los ingenieros basado en la puntuaci\u00f3n recibida del modelo.
\nProcesamiento de retroalimentaci\u00f3n. La pieza es rechazada o permitida para continuar; la imagen tomada, la puntuaci\u00f3n y el resultado final se guardan bajo el n\u00famero de serie de la pieza.<\/p>\n

El cuarto paso a menudo se pasa por alto, pero es uno de los m\u00e1s importantes. Si el cliente devuelve el producto defectuoso, tendremos la capacidad de referirnos a la imagen producida y descubrir c\u00f3mo era el defecto.<\/p>\n

Inspecci\u00f3n de visi\u00f3n por IA vs Visi\u00f3n por m\u00e1quina vs AOI<\/h2>\n

Casi todas las consultas sobre este tema resultan ser una comparaci\u00f3n entre visi\u00f3n por m\u00e1quina y visi\u00f3n por IA. En t\u00e9rminos cotidianos, existen cuatro modalidades de inspecci\u00f3n visual de la pieza, y cada modalidad realiza su propia tarea \u00fanica. Adem\u00e1s, todas las modalidades, excepto la primera, pertenecen a la categor\u00eda de inspecciones visuales automatizadas.<\/p>\n\n\n\n\n\n\n\n\n\n\n\n
<\/th>\nInspecci\u00f3n manual<\/th>\nVisi\u00f3n por m\u00e1quina basada en reglas<\/th>\nAOI (inspecci\u00f3n \u00f3ptica automatizada)<\/th>\nInspecci\u00f3n de visi\u00f3n por IA<\/th>\n<\/tr>\n<\/thead>\n
C\u00f3mo decide<\/td>\nJuicio del operador<\/td>\nReglas que programa un ingeniero: bordes, manchas, mediciones, coincidencia de patrones<\/td>\nReglas y comparaci\u00f3n de referencia, dise\u00f1adas para PCB<\/td>\nUn modelo entrenado con im\u00e1genes de piezas buenas y malas<\/td>\n<\/tr>\n
Cambio a un nuevo producto<\/td>\nR\u00e1pido, pero depende del entrenamiento y la atenci\u00f3n<\/td>\nNuevas reglas y ajustes, a menudo de horas a d\u00edas<\/td>\nNuevo programa de placa desde CAD y placas de referencia<\/td>\nCargar un modelo para esa variante; entrenar uno nuevo si el producto es nuevo<\/td>\n<\/tr>\n
Lo que hace bien<\/td>\nDefectos inusuales, decisiones de juicio<\/td>\nDimensiones, presencia\/ausencia, lectura de c\u00f3digos de barras y c\u00f3digos<\/td>\nUniones de soldadura y componentes en placas de circuito<\/td>\nDefectos variables: rayones, grietas, marcas da\u00f1adas, salpicaduras, variaci\u00f3n de color<\/td>\n<\/tr>\n
D\u00f3nde falla<\/td>\nFatiga, inconsistencia, velocidad<\/td>\nVariaci\u00f3n en brillo, color o posici\u00f3n para la que no fue programado<\/td>\nCualquier cosa que no sea un PCB<\/td>\nTipos de defectos que nunca vio; cambios en iluminaci\u00f3n o material<\/td>\n<\/tr>\n
Rechazos falsos<\/td>\nVar\u00eda seg\u00fan la persona y el turno<\/td>\nAlto cuando la apariencia var\u00eda naturalmente<\/td>\nModerado; necesita ajuste por placa<\/td>\nMenor en caracter\u00edsticas variables una vez entrenado, pero debe verificarse con sus propias piezas<\/td>\n<\/tr>\n
Medici\u00f3n precisa<\/td>\nNo<\/td>\nS\u00ed, su principal fortaleza<\/td>\nS\u00ed, para caracter\u00edsticas de la placa<\/td>\nNo es su funci\u00f3n; use reglas para la medici\u00f3n<\/td>\n<\/tr>\n
\u00bfPuede explicar un rechazo?<\/td>\nParcialmente<\/td>\nS\u00ed: qu\u00e9 regla fall\u00f3<\/td>\nS\u00ed: qu\u00e9 verificaci\u00f3n fall\u00f3<\/td>\nParcialmente: una puntuaci\u00f3n y un mapa de calor, no una regla<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Podemos sacar las siguientes tres conclusiones: continuar el uso de t\u00e9cnicas de visi\u00f3n basadas en reglas para la evaluaci\u00f3n de dimensiones, presencia de algo y lectura de c\u00f3digos ya que es r\u00e1pido, preciso y simple; y utilizar tecnolog\u00eda AI para detectar imperfecciones que cambian cada vez como rayones, marcas incompletas y variaciones de color; tambi\u00e9n es necesario recordar que AOI para PCB y ensamblajes el\u00e9ctricos de baja tensi\u00f3n representan problemas diferentes: La m\u00e1quina AOI para las placas de circuito no funcionar\u00e1 correctamente con los interruptores autom\u00e1ticos, y las tecnolog\u00edas AI que se emplearon y entrenaron en los interruptores autom\u00e1ticos no funcionar\u00e1n con la electr\u00f3nica dentro del RCBO.<\/span><\/p>\n

Lo que realmente incluye un sistema de inspecci\u00f3n de visi\u00f3n AI<\/h2>\n

El sistema de inspecci\u00f3n de visi\u00f3n AI en una l\u00ednea de producci\u00f3n consta de cinco componentes. Todos hablan del modelo, mientras que los otros cuatro componentes deciden si un proyecto es aceptado.<\/p>\n

C\u00e1mara<\/h3>\n

La elecci\u00f3n de una c\u00e1mara industrial es una c\u00e1mara de escaneo de \u00e1rea y la resoluci\u00f3n depende del tama\u00f1o m\u00ednimo del defecto que desea identificar. Si le preocupan grietas de 0.1 mm, necesita tener suficiente n\u00famero de p\u00edxeles cubriendo esa longitud para establecer el campo de visi\u00f3n y la resoluci\u00f3n de la c\u00e1mara. En ciertos casos, la aplicaci\u00f3n requiere el uso de dos c\u00e1maras o un espejo para ver ambos lados de la pieza inspeccionada.<\/p>\n

Iluminaci\u00f3n<\/h3>\n

La iluminaci\u00f3n es una subsecci\u00f3n aparte ya que la mayor\u00eda de las fallas ocurren debido a una iluminaci\u00f3n deficiente. Los contactos plateados, componentes de cobre y carcasas brillantes reflejan la luz de diferentes maneras, dependiendo del \u00e1ngulo del objeto. Se usan luces anulares, luces de c\u00fapula, luces traseras y luces de \u00e1ngulo bajo para revelar diferentes tipos de defectos. Si la iluminaci\u00f3n no es estable antes de que comience el entrenamiento del modelo, el proyecto no tendr\u00e1 \u00e9xito<\/span>. El modelo aprender\u00e1 los problemas relacionados con la iluminaci\u00f3n en lugar de los defectos presentes en las piezas inspeccionadas.<\/p>\n

Computaci\u00f3n en la estaci\u00f3n<\/h3>\n

La inferencia se realiza en el ordenador de borde o directamente en la c\u00e1mara inteligente en la estaci\u00f3n, pero no en la nube. Es muy importante que se entregue una decisi\u00f3n al PLC durante el tiempo de ciclo, para que la l\u00ednea de producci\u00f3n no tenga que esperar la conexi\u00f3n. Las im\u00e1genes se almacenan en una nube o en un servidor de la f\u00e1brica, donde los modelos se reentrenan.<\/p>\n

El modelo<\/h3>\n

Dos tipos de modelos se utilizan com\u00fanmente en los sistemas de inspecci\u00f3n. Los modelos de clasificaci\u00f3n y segmentaci\u00f3n se entrenan usando muestras de piezas normales y defectos de cada tipo. El modelo de detecci\u00f3n de anomal\u00edas aprende solo las propiedades de las piezas normales y detecta cualquier cosa que parezca diferente, lo que funciona bien si no hay defectos. Muchas soluciones utilizan ambos tipos de modelos mencionados.<\/p>\n

El protocolo de comunicaci\u00f3n con el PLC<\/h3>\n

Durante el proceso de protocolo, el sistema de c\u00e1mara y el PLC intercambian algunas se\u00f1ales simples: pieza en posici\u00f3n, disparo, resultado, \u00e9xito o fallo y a veces un c\u00f3digo de defecto. El resultado y las im\u00e1genes se env\u00edan al MES usando una interfaz estandarizada como OPC UA o Modbus TCP, lo que permite encontrar cualquier imagen usando un n\u00famero de serie. Nuestra visi\u00f3n general de sensores de automatizaci\u00f3n industrial<\/a> explica d\u00f3nde encaja la visi\u00f3n entre otros sensores en una m\u00e1quina.<\/p>\n

\"\"<\/p>\n

D\u00f3nde pertenece la inspecci\u00f3n de visi\u00f3n AI en una l\u00ednea de ensamblaje el\u00e9ctrica<\/h2>\n

La inteligencia artificial tiene un lugar dentro del contexto de la detecci\u00f3n de defectos cuando se trata de interruptores y contactores. La tabla que se muestra a continuaci\u00f3n presenta los muchos tipos de procesos de inspecci\u00f3n visual que podr\u00edan usarse e identifica la mejor manera de realizarlos, ya sea por AI, reglas o ambos. El tiempo de inferencia var\u00eda entre decenas de milisegundos, lo cual sigue siendo aceptable ya que los tiempos de ciclo de estaci\u00f3n son alrededor de 2\u20133.5 segundos en un L\u00ednea de montaje autom\u00e1tica MCB<\/a>.<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n
Verificar<\/th>\nQu\u00e9 puede salir mal<\/th>\n\u00bfReglas o AI?<\/th>\nPor qu\u00e9<\/th>\n<\/tr>\n<\/thead>\n
Presencia de remache<\/td>\nRemache faltante o medio colocado<\/td>\nPrimero reglas; AI si el brillo var\u00eda mucho<\/td>\nLa presencia es simple, pero los reflejos causan rechazos falsos<\/td>\n<\/tr>\n
Posici\u00f3n e inclinaci\u00f3n del contacto<\/td>\nContacto de plata inclinado o descentrado<\/td>\nReglas para la posici\u00f3n; AI para da\u00f1os en la superficie<\/td>\nLa posici\u00f3n es una medici\u00f3n; el da\u00f1o no lo es<\/td>\n<\/tr>\n
Mango y polaridad<\/td>\nMango invertido, orden de polos incorrecto<\/td>\nReglas<\/td>\nGeometr\u00eda fija, patr\u00f3n claro<\/td>\n<\/tr>\n
Marcado l\u00e1ser y OCR<\/td>\nCaracteres faltantes, tenues o rotos<\/td>\nOCR AI para marcas da\u00f1adas; reglas para c\u00f3digos<\/td>\nAI maneja mejor marcas parciales o de bajo contraste<\/td>\n<\/tr>\n
Grietas y marcas de hundimiento en la carcasa<\/td>\nDefectos de moldeo, disparos cortos, variaci\u00f3n de color<\/td>\nAI<\/td>\nLos defectos var\u00edan en forma y posici\u00f3n<\/td>\n<\/tr>\n
Inserci\u00f3n de terminal<\/td>\nTerminal no completamente asentado<\/td>\nReglas o medici\u00f3n 3D<\/td>\nLa profundidad es una dimensi\u00f3n<\/td>\n<\/tr>\n
Etiquetas y hojas de instrucciones<\/td>\nEtiqueta incorrecta, folleto faltante<\/td>\nReglas m\u00e1s OCR<\/td>\nCoincidencia con la receta<\/td>\n<\/tr>\n
Salpicaduras de soldadura y rebabas<\/td>\nSalpicaduras en contactos, rebabas en piezas soldadas<\/td>\nAI<\/td>\nFormas y tama\u00f1os irregulares<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Las propias m\u00e1quinas de Benlong usan hoy el lado basado en reglas de esta tabla. En la M\u00e1quina de ensamblaje multipolar MCB<\/a>, una c\u00e1mara CCD verifica la alineaci\u00f3n de la pared lateral y la separaci\u00f3n de los polos, y posiciona las piezas con una precisi\u00f3n de \u00b10.05 mm antes del remachado. El L\u00ednea de prueba autom\u00e1tica de MCB<\/a> incluye la inspecci\u00f3n visual de la carcasa, la etiqueta y los tornillos. La IA a\u00f1ade la mayor\u00eda donde los defectos son irregulares, por eso las carcasas, el marcado y las soldaduras est\u00e1n en la cima de la lista.<\/p>\n

Lo que la Visi\u00f3n No Debe Juzgar<\/h3>\n

Hay defectos graves en los interruptores autom\u00e1ticos que no pueden determinarse visualmente:<\/p>\n

La tecnolog\u00eda de disparo instant\u00e1neo en tiempo;
\nTiempo a 1.13 y 1.45 veces la corriente nominal para disparo t\u00e9rmico;
\nResistencia de contacto;
\nResistencia diel\u00e9ctrica;
\nTiempo de disparo por corriente residual en RCCB y RCBO.<\/p>\n

Un interruptor puede parecer perfecto, pero a\u00fan as\u00ed puede dispararse tarde. Las pruebas de las caracter\u00edsticas mencionadas se realizan en un banco, como un equipo de prueba magn\u00e9tica y de alta tensi\u00f3n para MCB<\/a>, que calcula un tiempo de disparo de \u00b11 ms para cada aparato probado. Una c\u00e1mara detecta la apariencia de una pieza; la prueba el\u00e9ctrica decide si funciona correctamente. Una buena l\u00ednea conecta los resultados de la prueba de un aparato con su n\u00famero de serie \u00fanico.<\/span><\/p>\n

Ejemplo: Una Estaci\u00f3n de C\u00e1mara en una L\u00ednea de MCB<\/h2>\n

As\u00ed es como una sola estaci\u00f3n de visi\u00f3n AI podr\u00eda funcionar en una l\u00ednea de interruptores que opera a aproximadamente tres segundos por unidad. Los tiempos son cifras t\u00edpicas para este tipo de estaci\u00f3n, no una especificaci\u00f3n.<\/p>\n\n\n\n\n\n\n\n\n\n\n
Tiempo<\/th>\nQu\u00e9 sucede<\/th>\n<\/tr>\n<\/thead>\n
00 s<\/td>\nEl interruptor llega al soporte y se sujeta. Un sensor confirma que est\u00e1 en posici\u00f3n.<\/td>\n<\/tr>\n
05 s<\/td>\nEl PLC env\u00eda un disparo. La luz estrobosc\u00f3pica se activa y la c\u00e1mara expone durante unos milisegundos.<\/td>\n<\/tr>\n
10\u20130.20 s<\/td>\nLa imagen llega al ordenador de borde. El modelo verifica los remaches, el mango, el marcado y la carcasa y devuelve una puntuaci\u00f3n para cada uno.<\/td>\n<\/tr>\n
25 s<\/td>\nLas puntuaciones se comparan con los umbrales y un aprobado o reprobado, con un c\u00f3digo de defecto, se env\u00eda al PLC.<\/td>\n<\/tr>\n
30 s en adelante<\/td>\nEn caso de fallo, el PLC dirige el interruptor a la tolva de rechazo. En caso de aprobaci\u00f3n, contin\u00faa.<\/td>\n<\/tr>\n
En paralelo<\/td>\nLa imagen, las puntuaciones y el resultado se escriben en el MES bajo el n\u00famero de serie del interruptor.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

El proceso de cambio de una m\u00e1quina a otra es donde la inteligencia artificial crea un valor real. Un interruptor puede moverse entre modelos 1P y 4P, modelos B, C y D, as\u00ed como muchas clasificaciones de corriente en un solo d\u00eda. Con visi\u00f3n basada en reglas, un cambio significa que un ingeniero debe actualizar las regiones a observar y los l\u00edmites num\u00e9ricos para diferentes modelos. Con visi\u00f3n AI, diferentes familias de productos tienen sus modelos entrenados por separado, y la receta para cambiar la m\u00e1quina tambi\u00e9n se usa para seleccionar el modelo correcto.<\/p>\n

Cuando aparece una nueva variante, el equipo debe recopilar im\u00e1genes, crear el modelo y verificarlo antes de que se ponga en funcionamiento. Eso suena complicado, pero esto solo debe hacerse una vez por cada modelo, independientemente de cu\u00e1ntos cambios de interruptores haya.<\/p>\n

C\u00f3mo Usan los Fabricantes la Inspecci\u00f3n de Visi\u00f3n AI Hoy<\/h2>\n

Algunos ejemplos p\u00fablicos muestran hasta d\u00f3nde se ha extendido la tecnolog\u00eda y cu\u00e1les son sus l\u00edmites.<\/p>\n

Cognex y Keyence: IA en C\u00e1mara Inteligente<\/h3>\n

Cognex ha integrado un sistema de aprendizaje profundo en su \u00faltima c\u00e1mara inteligente industrial In-Sight D900 que utiliza la tecnolog\u00eda de aprendizaje profundo ViDi para el reconocimiento \u00f3ptico de caracteres, la verificaci\u00f3n de ensamblajes y la detecci\u00f3n de defectos. Su \u00faltima In-Sight L38 incorpora IA con visiones bidimensionales y tridimensionales y requiere tan solo de 5 a 10 im\u00e1genes etiquetadas para configurarse, seg\u00fan inform\u00f3 Cognex. A su vez, la serie de c\u00e1maras IV4 producida por Keyence consta de funcionalidades de IA para la identificaci\u00f3n de piezas, el conteo y la lectura de caracteres con recomendaciones para una imagen \u00f3ptima. El futuro es claro: la integraci\u00f3n de la IA en las c\u00e1maras es un hecho.<\/p>\n

Siemens: Inspecci\u00f3n con IA en una sola caja<\/h3>\n

En 2024, Siemens adquiri\u00f3 una empresa alemana llamada Inspekto que ofrece inspecci\u00f3n visual basada en IA como una unidad \u00fanica que incluye una c\u00e1mara, una fuente de luz, una lente y software. El entrenamiento del sistema implica aproximadamente de 20 a 30 im\u00e1genes de productos buenos; adem\u00e1s, la instalaci\u00f3n puede ser completada por los propios operadores sin necesidad de integraci\u00f3n. Un proyecto de referencia llevado a cabo por Siemens consisti\u00f3 en reemplazar la evaluaci\u00f3n manual de piezas estampadas con tecnolog\u00eda de IA, lo que permiti\u00f3 reducir el n\u00famero de controles manuales hasta en un ochenta por ciento.<\/p>\n

BMW y las F\u00e1bricas Lighthouse<\/h3>\n

Los sistemas AIQX de BMW recopilan informaci\u00f3n sobre los procesos de producci\u00f3n mediante c\u00e1maras colocadas en la l\u00ednea de ensamblaje que realizan controles de variantes y completitud, adem\u00e1s de detectar anomal\u00edas en tiempo real y proporcionar retroalimentaci\u00f3n instant\u00e1nea a los operadores. Adem\u00e1s, la f\u00e1brica de Rockwell Automation en Singapur, mencionada en la lista de los \u00faltimos Global Lighthouses del Foro Econ\u00f3mico Mundial, ha reportado una reducci\u00f3n de defectos de 35% gracias a los sistemas de control de calidad con IA. Nuestra gu\u00eda para Las mejores empresas de la Red Global Lighthouse del Foro Econ\u00f3mico Mundial utilizaron un enfoque similar al descrito anteriormente: primero procesos estables y datos completos, luego IA encima. Cubrimos c\u00f3mo Siemens, Schneider Electric y Eaton llegaron all\u00ed en nuestra gu\u00eda de<\/a> muestra c\u00f3mo la inspecci\u00f3n visual encaja en el ciclo de datos m\u00e1s amplio en las plantas de Siemens, Schneider Electric y Eaton.<\/p>\n

Foxconn y la fabricaci\u00f3n electr\u00f3nica: esto es AOI<\/h3>\n

Foxconn Industrial Internet y Wistron est\u00e1n implementando el sistema de visi\u00f3n IA Metropolis de Nvidia para la evaluaci\u00f3n automatizada de placas de circuito. El impresionante caso de aplicaci\u00f3n se limita \u00fanicamente a la evaluaci\u00f3n de placas de circuito. La inspecci\u00f3n de otros elementos, como contactos, fijaciones y conectores, requiere desarrollar sistemas de iluminaci\u00f3n espec\u00edficos y modelos \u00fanicos.<\/p>\n

La industria automotriz est\u00e1 escribiendo el manual: AIAG CQI-38<\/h3>\n

En junio de 2026, AIAG public\u00f3 su directriz llamada CQI-38 dirigida a la tecnolog\u00eda de inspecci\u00f3n visual y evaluaci\u00f3n de aplicaciones. El documento proporciona a OEMs, proveedores y fabricantes un procedimiento est\u00e1ndar de evaluaci\u00f3n para cualquier sistema de inspecci\u00f3n visual basado en IA. Aunque los fabricantes de baja tensi\u00f3n no est\u00e1n obligados a usar CQI-38, sus medidas preventivas para la validaci\u00f3n tecnol\u00f3gica son recomendables para cualquiera involucrado en la evaluaci\u00f3n de tecnolog\u00eda visual con IA.<\/p>\n

\"\"<\/p>\n

Desplegando la inspecci\u00f3n de visi\u00f3n con IA sin un piloto de seis meses<\/h2>\n

Cuando los programas piloto de visi\u00f3n con IA se extienden por meses, existen razones comunes para el fracaso. La siguiente lista ayuda a prevenirlo.<\/p>\n

Conc\u00e9ntrese inicialmente en un solo defecto. En lugar de aplicar la tecnolog\u00eda de visi\u00f3n a una l\u00ednea de producci\u00f3n desde el principio, seleccione un defecto que cause p\u00e9rdidas financieras hoy, por ejemplo, impresiones faltantes o carcasas da\u00f1adas.
\nProporcione la iluminaci\u00f3n correcta y la posici\u00f3n de las piezas antes de capturar las im\u00e1genes. Durante el proceso de entrenamiento del modelo, la luz y el movimiento de las piezas generar\u00e1n ruido en lugar de defectos.
\nRecoja m\u00faltiples im\u00e1genes de calidad y distinga los tipos de defectos. Al tratar con tipos raros de defectos, vale la pena realizar detecci\u00f3n de anomal\u00edas en lugar de pretender tener 500 im\u00e1genes de defectos que ocurren dos veces al mes.
\nCompare el n\u00famero de rechazos falsos y escapes en sus dispositivos. La cifra de un proveedor de 99% usando un modelo de demostraci\u00f3n no significa nada si las carcasas se observan bajo una iluminaci\u00f3n diferente.
\nRealice la inferencia en el borde y dentro del tiempo de ciclo de las operaciones. La nube y el servidor se utilizar\u00e1n solo para guardar im\u00e1genes y reentrenar el modelo.
\nUse el modo sombra para registrar y puntuar las entradas, pero no rechace ninguna lectura en esa etapa. Este modo permite estimar la proporci\u00f3n de conclusiones de IA frente a las observaciones del inspector antes de comenzar a usar el sistema.
\nRevalide despu\u00e9s de cada modificaci\u00f3n en caso de cambiar la l\u00ednea de producci\u00f3n o producir diferentes tipos de dispositivos.<\/p>\n

Rechazos Falsos: El N\u00famero Que Decide Si la L\u00ednea Mantiene la C\u00e1mara<\/h2>\n

Dos valores son mucho m\u00e1s significativos que cualquier valor de precisi\u00f3n mencionado en un folleto. La tasa de escape indica cu\u00e1ntos art\u00edculos defectuosos permiti\u00f3 la c\u00e1mara. La tasa de rechazo falso nos dice cu\u00e1ntos productos no defectuosos descart\u00f3.<\/p>\n

Para aclarar la situaci\u00f3n, veamos un ejemplo que no fue tomado de una situaci\u00f3n real. Una de las l\u00edneas de producci\u00f3n produce un lote de 10,000 interruptores autom\u00e1ticos, entre los cuales 50 piezas tienen un defecto superficial.<\/p>\n\n\n\n\n\n\n\n\n
<\/th>\nConfiguraci\u00f3n A: umbral estricto<\/th>\nConfiguraci\u00f3n B: umbral relajado<\/th>\n<\/tr>\n<\/thead>\n
Interruptores defectuosos detectados<\/td>\n49 de 50 (recuperaci\u00f3n 98%)<\/td>\n46 de 50 (recuperaci\u00f3n 92%)<\/td>\n<\/tr>\n
Interruptores defectuosos no detectados<\/td>\n1<\/td>\n4<\/td>\n<\/tr>\n
Interruptores buenos rechazados<\/td>\n150 (tasa de rechazo falso 1.5%)<\/td>\n20 (tasa de rechazo falso 0.2%)<\/td>\n<\/tr>\n
Proporci\u00f3n de rechazos que son realmente defectuosos<\/td>\n49 de 199, aproximadamente precisi\u00f3n 25%<\/td>\n46 de 66, aproximadamente precisi\u00f3n 70%<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Todo parece ser detectado por la Configuraci\u00f3n A, pero resulta que tres de cada cuatro interruptores rechazados est\u00e1n perfectamente bien. En contraste, la Configuraci\u00f3n B recibe buenas cr\u00edticas de los operadores y deja pasar cuatro interruptores defectuosos.<\/p>\n

Las implicaciones de los dos escenarios no son sim\u00e9tricas. Mantener un solo interruptor defectuoso que puede provocar un cortocircuito es mucho m\u00e1s costoso que desechar varios buenos. Pero si la tasa de rechazo falso es demasiado alta, los operadores dejar\u00e1n de confiar en la c\u00e1mara, comenzar\u00e1n a volver a alimentar las piezas rechazadas sin verificar y finalmente la apagar\u00e1n. Por lo tanto, la regla de oro para lanzar el sistema con \u00e9xito es proteger la tasa de rechazo en los defectos que marcan la diferencia y luego mejorar la tasa de rechazo falso instalando mejor iluminaci\u00f3n, m\u00e1s im\u00e1genes de entrenamiento, diferentes umbrales para cada tipo de defecto.<\/p>\n

Visi\u00f3n AI, PLC, MES y el resto de la l\u00ednea<\/h2>\n

Una estaci\u00f3n de visi\u00f3n forma un componente del conjunto de automatizaci\u00f3n que ayuda en la toma de decisiones a trav\u00e9s de la c\u00e1mara, la forma en que el PLC ejecuta esa decisi\u00f3n y el MES archiva la imagen junto con su resultado relativo al n\u00famero de serie relacionado con los resultados de pruebas el\u00e9ctricas generados en las etapas sucesivas del proceso de producci\u00f3n, permitiendo as\u00ed obtener informaci\u00f3n \u00fatil, no solo almacenar los datos:<\/p>\n