Anomaly detection

Sí, y esta es la razón principal por la que existe la detección de anomalías. El modelo se entrena únicamente con piezas buenas, construye una representación de cómo se ve lo normal y marca las regiones que se apartan de ella. Esto resuelve el obstáculo más común en los proyectos de inspección: que el fallo ocurre rara vez y nadie lo fotografió antes de que las piezas fueran desechadas. La contrapartida es que el modelo le indica que una región es anormal sin decirle de qué defecto se trata.

Depende de qué tipo de modelo se ajuste a la superficie. Un modelo de alta sensibilidad a nivel de píxel necesita al menos veinte imágenes buenas. Los modelos orientados a superficies texturizadas, o a simples verificaciones de presencia y ausencia, necesitan solo unas pocas. La cantidad importa menos que la cobertura: el conjunto de piezas buenas debe abarcar la variación que la línea realmente produce, incluidos distintos lotes de material y turnos, porque el modelo define lo normal a partir de lo que se le proporciona y marcará como anomalía cualquier variación legítima que haya quedado fuera.

Cuando la disposición depende de cuál sea el defecto, porque uno va a retrabajo y otro a desecho. Cuando necesita el nombre del defecto para alimentar un diagrama de Pareto que retroalimente el proceso. O cuando ya cuenta con un buen conjunto etiquetado, en cuyo caso un modelo supervisado suele ser más preciso y más fácil de defender en un estudio de capacidad. Estas opciones no son excluyentes: ejecutar un modelo supervisado para los defectos conocidos junto con uno no supervisado como red de seguridad para lo inesperado es un patrón común y razonable.

Las superficies texturizadas son una de sus aplicaciones más sólidas, y existe un tipo de modelo específico para ellas. En un textil tejido, un acabado mecanizado, una pieza fundida o un grano moldeado, no hay dos piezas buenas que se vean idénticas, lo que hace que describir los defectos por apariencia sea casi imposible. Describir el límite de la apariencia normal es mucho más manejable, por lo que el enfoque no supervisado suele superar aquí a un modelo de defectos entrenado.

Use el filtro de área mínima de blob en lugar de basarse solo en el control deslizante de sensibilidad. Toda superficie real se desvía ligeramente en todas partes, por lo que una regla que falla ante cualquier desviación rechazará de forma continua. Una regla que falla solo cuando una región desviada supera un área definida se comporta de manera predecible. Definir esa área implica acordar con el equipo de calidad qué tamaño de marca constituye realmente un rechazo, una conversación que vale la pena tener de todos modos.

El modelo informa que las piezas nuevas son anormales, lo cual es correcto y no un error: en efecto, se ven distintas de aquello con lo que fue entrenado. Un nuevo lote de material con un acabado ligeramente diferente suele ser el desencadenante habitual. La solución es una vía de reentrenamiento, incorporando al conjunto de piezas buenas aquellas imágenes de producción que son genuinamente buenas pero fueron marcadas. Poder localizar esas imágenes en el historial de producción y añadirlas sin necesidad de un ejercicio de ciencia de datos es lo que distingue a una estación que sobrevive un año de otra que se apaga en el tercer mes.