Mejore la inspección visual por IA con ejemplos de producción

Comience con la imagen detrás del resultado.

Cuando se rechaza una pieza buena, conserve la imagen y compruebe qué herramienta produjo el resultado. ¿Se encontró la pieza en el lugar correcto? ¿Estaba enfocada la característica inspeccionada? ¿Un reflejo oscureció la marca? Un problema de imagen puede parecerse a un problema de modelo, así que examine la vista de la cámara antes de agregar más datos de entrenamiento.

Para un defecto no detectado, compare la región inspeccionada con la característica física que debería haber fallado. Un defecto fuera de esa región no se solucionará cambiando un umbral de clasificación. Establezca el resultado esperado con el equipo de calidad, incluidas las muestras límite, para que el próximo cambio tenga un propósito claro.

Revisar juntos ejemplos relacionados

La biblioteca de imágenes de Spark le brinda un lugar para revisar los ejemplos detrás de los resultados de la inspección. Reúna imágenes del comportamiento que desea mejorar, inspeccione las características relevantes y corrija las etiquetas antes de usarlas para capacitación. Los ejemplos de producción incorporan las piezas, acabados y condiciones de iluminación reales a ese trabajo.

Compare las imágenes problemáticas con piezas similares que se inspeccionaron correctamente. Es posible que encuentre una posición de pieza particular, un nuevo acabado de proveedor o un carácter impreso que cause problemas. Revisarlos juntos le ayuda a elegir el siguiente paso útil y evita comenzar un nuevo conjunto de capacitación desde cero cada vez que cambia la producción.

Realizar un cambio que aborde el fallo.

Las herramientas compatibles le brindan diferentes formas de actuar según lo que encuentre. Agregue ejemplos etiquetados cuando un modelo no haya tenido una apariencia de producción válida. Enseñe al alineador qué coincidencias de candidatos son correctas cuando la ubicación no es confiable. Ajusta una región de OCR cuando un carácter queda fuera de ella. La imagen le indica el cambio que soluciona el problema.

Haga preguntas a Sparky sobre las imágenes y los resultados en la Biblioteca para respaldar su revisión. Su equipo decide si el siguiente paso es un ajuste de imágenes, un cambio de reglas o un reentrenamiento. Registre el cambio y valídelo con muestras independientes antes del lanzamiento.

Importe ejemplos revisados directamente desde la biblioteca o su computadora a una herramienta como imágenes de capacitación o plantilla. Para registros a más largo plazo, envíe capturas con anotaciones y resultados de herramientas al almacenamiento FTP, SFTP o SMB, y programe copias de seguridad de recetas diarias o semanales.

Verifique las mejoras en muestras separadas

Mantenga las imágenes de evaluación separadas de los ejemplos utilizados para entrenar el modelo. Incluya el nuevo problema, la variación normal de la producción y los defectos conocidos que la inspección ya manejó. Un cambio que acepta la pieza buena problemática también debe preservar el rechazo de piezas genuinamente defectuosas.

Revise los falsos rechazos y los defectos omitidos por separado, utilizando recuentos y ejemplos en lugar de limitarse a una cifra de precisión general. Si varios SKU utilizan la inspección, evaluar cada uno. Una vez que las pruebas de imagen cumplan con sus requisitos, ejecute la inspección modificada en las condiciones de línea esperadas y siga su proceso de liberación. Otros ejemplos de producción pueden servir de base para otra revisión; Las actualizaciones del modelo siguen siendo una acción deliberada.