Detección de anomalías: inspección usando solo muestras buenas

La razón más común por la que un proyecto de inspección se estanca no tiene nada que ver con la tecnología. Es que nadie puede aportar las imágenes de los defectos. El fallo ocurre una vez al mes, las piezas se desecharon sin ser fotografiadas, y el equipo de calidad no puede describir el siguiente porque todavía no lo ha visto.

La detección de anomalías invierte el problema. En lugar de aprender el aspecto de los defectos, el modelo aprende el aspecto de una pieza buena y marca cualquier cosa que se aparte de él. Así es exactamente como funciona el producto: se entrena usando solo muestras buenas, y el modelo aprende el aspecto normal de sus piezas y marca cualquier desviación como un posible defecto.

Supervisado y no supervisado, en una frase cada uno

A un modelo supervisado se le enseña la diferencia entre categorías con nombre. Se le muestran rayaduras, se le muestran superficies limpias, se etiquetan ambas, y aprende un límite entre ellas. Después puede decirle qué defecto encontró, porque usted le indicó los nombres.

A un modelo no supervisado solo se le enseña el aspecto de lo normal. Construye una representación de las piezas buenas y mide cuánto se aleja cada pieza nueva de ella. No puede decirle que el defecto es una rayadura y no una mancha, porque nadie le dio nunca esas palabras. Solo puede decirle que esta región no encaja.

Lo supervisado le da nombres

La clasificación y la segmentación devuelven una clase: porosidad, contaminación, llenado incompleto. Esto importa cuando la disposición varía según el defecto, cuando uno se destina a retrabajo y otro a desecho, o cuando se retroalimenta un diagrama de Pareto al proceso.

Lo no supervisado le da cobertura

Marca el modo de fallo que nadie anticipó, porque nunca tuvo una lista de partida. Ese es todo el argumento a su favor, y es sólido en piezas donde el catálogo de defectos es realmente abierto.

Tres tipos de modelo, y cómo elegir

La detección de anomalías no es un único algoritmo. En el OV80i, el bloque no supervisado ofrece tres, que intercambian sensibilidad por velocidad y por la cantidad de datos que necesitan. El producto los describe con claridad:

Máxima sensibilidad, necesita al menos 20 imágenes

Inferencia rápida y el mejor para anomalías pequeñas, con una salida a nivel de píxel que permite ver exactamente qué región se desvió. La opción predeterminada cuando el defecto es sutil y se pueden conseguir veinte piezas buenas, algo que normalmente no es difícil de pedir.

El mejor en texturas, necesita solo unas pocas imágenes

Velocidad de inferencia media, y especialmente bueno con objetos texturados o con patrones. Textiles, materiales tejidos, acabados mecanizados, piezas fundidas. En una superficie donde cada pieza buena tiene un aspecto visualmente distinto, este es el modelo por el que empezar.

El más rápido, necesita muy pocas imágenes

Ideal para detectar si objetos simples están presentes o ausentes. No es una herramienta para superficies sutiles. Es la comprobación de presencia rápida en una línea de alta velocidad donde la pregunta es binaria.

Vale la pena detenerse en la cantidad de imágenes. Veinte piezas buenas son el tiempo de un café, no un proyecto de recopilación de datos. La razón por la que la detección de anomalías cambia los plazos de un proyecto no es que sea más precisa que un modelo entrenado, porque a menudo no lo es. Es que los datos que necesita ya existen en la línea, ahora mismo.

Yarn blob and tangle detection on a continuous textile web, showing the raw capture and the AI overlay marking the contaminant — Un blob de hilo en una banda textil continua. Aquí cada fotograma bueno es visualmente distinto de cualquier otro fotograma bueno, que es precisamente el caso en el que enumerar clases de defectos deja de funcionar, mientras que aprender lo normal no.

Lo que el modelo realmente genera como salida

Un modelo supervisado devuelve una clase y un nivel de confianza. Un modelo de anomalías devuelve algo distinto, y comprender su forma es lo que evita que el control de sensibilidad se convierta en motivo de discusión.

Output	Qué hacer con ello
Mapa de anomalía	Un mapa de calor sobre la región que muestra dónde se desvió la pieza. Esto es lo que observa un operador, y es la razón por la que la herramienta se puede defender en planta: la cámara le muestra el punto exacto en lugar de limitarse a anunciar un fallo.
Puntuación de anomalía	Un único número que indica cuán inusual es la pieza en general. Útil como tendencia: un ascenso lento a lo largo de un turno indica un proceso que se está desviando, no una pieza defectuosa.
Estadísticas de blobs	Las regiones que se desvían, agrupadas y medidas, con área y posición. Esto es lo que permite crear una regla de aprobación utilizable: no cualquier desviación, sino una desviación mayor que un área establecida.
Sensibilidad y límites de área	Se ajustan después del entrenamiento en lugar de quedar fijados en él, de modo que puede ajustar el punto de disparo frente a la producción real sin recopilar nada nuevo ni volver a entrenar.

El filtro de área mínima de blob es el ajuste más importante del bloque, y es el que con más frecuencia se deja sin tocar. Toda superficie real se desvía un poco en todas partes. Si la regla es cualquier desviación en absoluto, la estación rechazará piezas buenas constantemente. Si la regla es una región de desviación mayor que un área definida, se comporta correctamente. Fijar ese número es una conversación con el equipo de calidad sobre qué tamaño de marca constituye realmente un rechazo, una conversación que vale la pena tener de todos modos.

Cuándo la detección de anomalías es la decisión correcta

Cuatro situaciones en las que es claramente el mejor punto de partida.

No dispone de imágenes de defectos y no puede generarlas. El caso más común, y la razón real por la que la mayoría de las inspecciones nunca llegan a construirse.
El catálogo de defectos es abierto. La contaminación, los objetos extraños y los daños estéticos no provienen de una lista finita. Un modelo entrenado con los ocho defectos que usted conoce pasará por alto el noveno por su propia naturaleza.
La superficie está texturada o tiene un patrón. Cuando no hay dos piezas buenas que se vean iguales, describir los defectos por su apariencia resulta casi imposible, pero describir el límite de lo normal es factible.
Bajo volumen o alta variedad. Si un número de pieza se fabrica unos cientos de veces al año, nunca acumulará un conjunto de defectos etiquetados para él. Veinte piezas buenas se pueden obtener en la primera tanda.

Y el reverso, en sentido contrario. Utilice un modelo supervisado cuando la disposición dependa de qué defecto es, cuando necesite el nombre del defecto para la retroalimentación del proceso y no solo una señal de rechazo, o cuando ya disponga de un buen conjunto etiquetado, en cuyo caso un modelo entrenado suele ser a la vez más preciso y más fácil de defender en un estudio de capacidad.

Estas opciones no son excluyentes. Una receta en el OV80i puede ejecutar varios modelos sobre una misma imagen, por lo que un patrón común y sensato es un modelo supervisado que gestione los defectos conocidos con clases con nombre, y un modelo no supervisado que se ejecute junto a él como red de seguridad para todo lo que nadie predijo.

El modo de fallo que hay que prever

La detección de anomalías tiene una debilidad característica, y es mejor identificarla de antemano que descubrirla sobre la marcha. El modelo define lo normal a partir de las piezas buenas que usted le proporcionó. Si sus veinte muestras buenas no incluyen toda la variación aceptable, todo lo que quede fuera de ese rango se interpretará como una anomalía.

En la práctica, esto significa que una estación puesta en marcha con piezas de un lote de material marcará el siguiente lote cuando el acabado cambie ligeramente. No es un defecto del modelo, sino un informe preciso de que la pieza se ve diferente, que es precisamente lo que usted pidió. La solución consiste en incluir variación real en el conjunto de piezas buenas: distintos lotes, distintos turnos, tanto el extremo aceptable de la banda de tolerancia como su punto medio.

Esta es también la razón por la que una vía de reentrenamiento importa más en la detección de anomalías que en el trabajo supervisado. Cuando la producción cambia, es necesario devolver al conjunto de piezas buenas aquellas piezas que son genuinamente buenas pero que fueron marcadas. Poder encontrar esas imágenes en el historial de producción y añadirlas al conjunto de entrenamiento sin necesidad de un ejercicio de ciencia de datos es la diferencia entre una estación que sobrevive un año y otra que se apaga en el tercer mes. Nuestra guía sobre sistemas de visión artificial aborda dónde encaja esto dentro del diseño más amplio de la estación, y la guía de iluminación cubre la otra mitad, porque un modelo de anomalías es aún más sensible a la deriva de iluminación que uno supervisado: un cambio de iluminación se ve exactamente igual que una pieza anómala.

Frequently Asked Questions

¿Se puede realizar una inspección con IA sin ninguna imagen de defectos?

Sí, mediante la detección de anomalías no supervisada. El modelo se entrena únicamente con piezas buenas, aprende el aspecto normal y marca las regiones que se desvían de él. Esta es la respuesta habitual al obstáculo más común en los proyectos de inspección, que es que el defecto ocurre pocas veces y nadie lo fotografió. La contrapartida es que el modelo informa de que algo es anómalo sin indicar de qué defecto se trata.

¿Cuántas muestras buenas necesita la detección de anomalías?

Depende del tipo de modelo. Un modelo de alta sensibilidad a nivel de píxel necesita al menos veinte imágenes buenas. Los modelos orientados a superficies texturadas o a simples comprobaciones de presencia y ausencia necesitan solo unas pocas. El punto más importante es que el conjunto de piezas buenas debe abarcar la variación aceptable real, incluyendo distintos lotes de material y turnos, porque el modelo define lo normal a partir de lo que usted le proporciona y marcará como anómala cualquier variación legítima que haya omitido.

¿Cuál es la diferencia entre la detección de defectos supervisada y no supervisada?

Un modelo supervisado se entrena con ejemplos etiquetados de cada clase de defecto y devuelve el nombre del defecto junto con un nivel de confianza. Un modelo no supervisado se entrena solo con piezas buenas y devuelve una puntuación de desviación y un mapa de calor, sin nombrar el defecto. Lo supervisado es mejor cuando la disposición o la retroalimentación del proceso depende de qué defecto es. Lo no supervisado es mejor cuando el catálogo de defectos es abierto o cuando no existen imágenes de defectos. Ejecutar ambos sobre la misma imagen es un patrón común y sensato.

¿La detección de anomalías funciona en superficies texturadas?

Las superficies texturadas y con patrones son una de sus aplicaciones más sólidas, y existe un tipo de modelo específico para ellas. En un textil tejido, un acabado mecanizado o una pieza fundida, no hay dos piezas buenas que se vean idénticas, lo que hace muy difícil describir los defectos por su apariencia. Describir el límite del aspecto normal es mucho más factible, por lo que el enfoque no supervisado suele superar a un modelo de defectos entrenado en estas superficies.

¿Por qué mi modelo de anomalías marca piezas buenas después de un cambio de material?

Porque está informando correctamente de que las piezas se ven diferentes de aquellas con las que se entrenó. El modelo define lo normal a partir de las muestras buenas proporcionadas, por lo que un nuevo lote de material con un acabado ligeramente distinto queda fuera de esa definición. La solución es incluir el rango real de variación aceptable en el conjunto de piezas buenas, y contar con una vía sencilla para volver a incorporar al entrenamiento las imágenes de producción que son realmente buenas pero fueron marcadas, cuando el proceso cambia de forma legítima.

¿Cómo se evita que la detección de anomalías rechace todo?

Utilice el filtro de área mínima de blob en lugar de basarse solo en el control de sensibilidad. Toda superficie real se desvía ligeramente en todas partes, por lo que una regla que falla ante cualquier desviación rechazará piezas buenas de forma continua. Una regla que falla solo cuando una región de desviación supera un área definida se comporta de forma predecible. Fijar esa área requiere acordar con el equipo de calidad qué tamaño de marca constituye realmente un rechazo, una conversación útil por derecho propio.

Vea Overview AI en sus piezas

Envíenos una foto de su pieza o defecto y un ingeniero de visión le dirá si Overview puede detectarlo, con la mayoría de los sistemas funcionando en la línea en días.

Habla con un ingeniero de visión Calcula tu ROI