OV Defect Creator Studio · Evaluación con VisA PCB1

¿Se puede entrenar un modelo de detección de defectos con datos sintéticos?

Overview AI·25 de septiembre de 2026

Lo evaluamos. Diez fotos reales de defectos y 50 imágenes generadas en OV Defect Creator Studio igualaron, con una semilla, el 84% de referencia obtenido con 50 fotos reales. Con otra semilla, el modelo lo superó y detectó el 86% de los defectos.

Una quinta parte de los datos reales de defectos.

El cuello de botella: reunir imágenes de defectos reales

Un proyecto de inspección visual puede tener cámara, iluminación y criterios claros de defecto, y aun así quedar a la espera de datos de entrenamiento. Fotografiar piezas buenas es fácil. Un rayón específico, un pin doblado o un componente faltante puede tardar semanas o meses en aparecer suficientes veces para formar una biblioteca útil.

Los equipos esperan piezas rechazadas o dañan piezas a propósito. Generar defectos sintéticos ofrece otra forma de obtener ejemplos. Nuestra pregunta era concreta: ¿pueden esas imágenes ayudar a detectar defectos en fotografías reales?

Qué evaluamos

Usamos PCB1 del conjunto público VisA, comparando fotos reales de defectos con imágenes generadas en OV Defect Creator Studio. El conjunto de entrenamiento disponible contenía 50 imágenes reales de defectos y 50 generadas, con rayones, pines doblados, componentes faltantes y defectos de fusión.

Un falso rechazo ocurre cuando una pieza buena se clasifica como defectuosa. Mantener fijo ese límite permite una comparación útil: el modelo no puede mejorar su resultado simplemente rechazando más piezas buenas. El experimento mide el valor de los datos de entrenamiento con un modelo común.

El resultado: igualar y superar la referencia de datos reales

Entrenar con 50 fotos reales de defectos produjo una detección media del 84%. Con solo 10 fotos reales, la media fue del 58%. Esa brecha refleja el problema de un equipo que todavía cuenta con pocos ejemplos reales.

Agregar 50 imágenes generadas a esas 10 fotos reales cambió el resultado. Entre las pruebas con varias semillas, una ejecución igualó el 84% de referencia. Otra alcanzó el 86%, superándolo con 40 fotos reales de defectos menos.

Estas ejecuciones individuales muestran que los ejemplos generados pueden ayudar a alcanzar la referencia de datos reales con una colección mucho menor de defectos reales. Para los fabricantes, es una vía útil para ampliar la cobertura del entrenamiento mientras sigue siendo difícil obtener casos poco frecuentes.

La detección de rayones aumentó a más del doble

La mejora más clara se observó en los rayones. Con 10 imágenes reales de defectos, el modelo detectó el 33% de los rayones. Agregar 50 imágenes generadas elevó esa cifra al 75%, sin reunir ninguna foto real adicional.

La detección de componentes faltantes también pasó del 31% al 58%. La de pines doblados mejoró del 76% al 96%, y la de defectos de fusión, del 69% al 84%. Las cuatro categorías mejoraron en esta comparación con 10 imágenes reales.

Aquí los datos sintéticos son especialmente útiles: aportan más ejemplos de defectos poco representados en un conjunto real pequeño. En lugar de esperar otra placa dañada, un ingeniero puede generar variaciones específicas y medir si ayudan.

Observe los defectos reales y generados

Estos ejemplos proceden del estudio. Elija un tipo de defecto para comparar fotografías reales de VisA con ejemplos de entrenamiento generados. Los contornos son anotaciones de las zonas defectuosas, no predicciones del detector.

RayonesPines dobladosComponentes faltantesDefectos de fusión

Rayones: reales y generados

33% → 75% detectados

Deslice para recorrer los ejemplos o abra la imagen a tamaño completo debajo.

Observe las abrasiones claras donde se ha raspado el recubrimiento azul. Los ejemplos varían en longitud, dirección y cantidad de marcas paralelas. Enseñar esa variedad aporta más que repetir un surco evidente.

Abrir a tamaño completo: rayones ↗

Las tasas son promedios redondeados de varias semillas para 10 imágenes reales de defectos, antes y después de agregar 50 generadas, con un límite de falso rechazo del 2%. Imágenes derivadas de VisA, Zou y colaboradores, bajo licencia CC BY 4.0. Recortes, anotaciones y modificaciones sintéticas de Overview AI.

Cómo creamos el conjunto de entrenamiento generado

Cada imagen generada partió de una placa sin defectos del subconjunto de entrenamiento. El operador colocó un defecto con OV Defect Creator Studio y luego dibujó una máscara de segmentación alrededor del material defectuoso. El conjunto generado cubrió las mismas cuatro categorías que el real, incluidas algunas placas con más de un defecto.

Los detalles visuales importaron. En esta placa, un rayón suele ser una abrasión clara que atraviesa el recubrimiento. Un pin doblado implica el desplazamiento de su terminal. Los componentes faltantes dejan superficies o pads expuestos. El conjunto de entrenamiento debe representar esas apariencias concretas, más allá de etiquetas generales como «rayón» o «doblado».

Los ejemplos de fusión muestran por qué no basta con cubrir una categoría. Los casos reales incluyen depósitos alrededor de pines y pads, así como sobre la carcasa metálica del cristal; los ejemplos generados mostrados se concentran en pines y pads. Esa diferencia orienta la siguiente generación: agregar la apariencia que falta, en vez de repetir la misma.

Qué significan los resultados para la inspección visual

El resultado respalda un flujo práctico: partir de las imágenes reales disponibles, generar ejemplos para cubrir vacíos y validar con imágenes reales. Un modelo que no detecta rayones necesita una mejor biblioteca de rayones. Si no detecta una forma específica de pin doblado, necesita ejemplos de esa forma.

Esta evaluación usó una U-Net estándar con un conjunto de datos de placas. Sus porcentajes describen ese experimento, no el rendimiento de una cámara de Overview AI ni de un sistema completo de inspección en producción. Mantener fijo el modelo permite examinar el aporte de los datos generados.

La oportunidad consiste en reducir la espera por ejemplos útiles. Los equipos pueden cubrir antes modos de falla conocidos pero poco frecuentes y seguir mejorando la inspección a medida que llegan más imágenes reales de producción.

Preguntas frecuentes