AA bidezko ikusmena ala ikusmen klasikoa: huts egiteko moduaren arabera

Laburbilduz: Erabili arauetan oinarritutako ikusmena ezaugarri egonkor eta neurgarri batek pieza onak eta txarrak bereizten dituenean. Aztertu ikasitako ikusmena (AA) benetako aldakortasunak ondo diseinatutako arau bat gainditzen duenean eta etiketatutako irudi adierazgarriak dituzunean. Erabaki ikuspegi bakoitzak nola huts egiten duen kontuan hartuta, ez zein den berriagoa.

Hasi iruditik, ez algoritmotik

Argiztapenaren angeluak, esposizioak, lentearen distortsioak, eremu-sakonerak, mugimenduak eragindako lausotzeak eta utillajearen errepikagarritasunak zehazten dute pixelek zer erakuts dezaketen. Algoritmo batek ere, ez klasikoak ez neuronalak, ezin du berreskuratu sentsoreak inoiz jaso ez duen xehetasunik. Beraz, finkatu lehenik muntaia optikoa, eta lortu kalitate-ingeniariak ados jartzea zer den akatsa, muga-laginak erabiliz, softwarerik alderatu aurretik. Bi ikuskatzaile pieza bati buruz ados ez badaude, haien etiketekin entrenatutako ereduak desadostasun hori jasoko du.

Non diren sendoak arauak, eta nola huts egiten duten

Arauetan oinarritutako tresna batek zerbait esplizitua neurtzen du: ertz baten posizioa, eskualde baten azalera, geometria kalibratuan neurtutako distantzia bat, irakurtzen den edo irakurtzen ez den kode bat. Horregatik, presentzia-egiaztapenak, neurketa dimentsionala, kontraste handiko ezaugarrien gaineko lerrokatzea eta kode-irakurketa deterministak eta azalgarriak dira. Pieza bat baztertzen denean, neurtutako balioak eta mugak esaten dizute zergatik. Arauek huts egiten dute ezaugarria egonkorra izateari uzten dionean: gainazal-akabera desberdin batek, islada batek edo hornitzaile berri baten ehundurak atalasea mugitzen du, eta norbaitek eskuz doitu behar du berriro.

Non laguntzen duten ikasitako ereduek, eta zer kostu duten

Sailkapen- edo segmentazio-eredu entrenatu batek adibideetatik ikasten du ona eta txarra nolakoak diren. Horrek lagundu egiten du ehundura-akatsekin edo akats kosmetikoekin eta atzeko plano aldakorrekin, arau gisa idazten zailak baitira. Kostua beste lan mota bat da: irudiak bildu eta etiketatzea, ereduaren bertsioak kudeatzea eta ekoizpena aldatzen denean deriba zaintzea. Ikasitako eredu batek, gainera, beste modu batean huts egiten du. Konfiantza handiko erantzuna eman dezake bere entrenamendu-datuetako ezeren antzik ez duen irudi baten aurrean, eta erabaki jakin baten arrazoia ulertzea zailagoa da.

Neurtu bereiz bi errore motak

Onarpen faltsu batek akats bat ateratzen uzten du; baztertze faltsu batek pieza on bat txatarrera edo birlanketara bidaltzen du. Kostu desberdinak dituzte; beraz, eman horien berri bereiz eta akats-klase bakoitzeko, ez zehaztasun-zifra bakar gisa. Gorde proba-datu gisa pieza-familia, lote edo ekoizpen-aldi osoak, eredua ez dadin ebaluatu ikasteko erabili zituen irudien ia berdinak diren irudiekin. NISTen AA arriskuak kudeatzeko esparruak ideia orokor bera adierazten du edozein AA sistematarako: errendimendua hedapen-ingurunearen antzeko baldintzetan frogatu behar da, eta sistemak hedatu aurretik eta funtzionamenduan dauden bitartean aldian-aldian probatu behar dira. Neurtu inferentzia-denbora ere linea kargapean dagoela, kasurik txarrenak zehazten baitu ziklo-denbora.

Planifikatu ordezko irtenbidea eta aldaketa-prozesua

Erabaki nor den atalasearen arduraduna, nork onartzen duen ereduaren bertsio berri bat eta zenbat denboraz gordetzen diren irudiak. Zehaztu zer egiten duen estazioak kamera deskonektatzen denean, optika zikintzen denean edo konfiantza txikia denean; ohikoena pieza eskuzko ikuskapenera bideratzea da. Bi ikuspegiak konbina daitezke, halaber: arauak presentziarako eta dimentsioetarako, eta ikasitako eredu bat gainazalaren itxurarako. Sailkatzaile baten irteera ez da balioztatutako segurtasun-funtzio bat, eta ez da halakotzat erabili behar.

Kontrol-zerrenda aurrekontua edo irismena konprometitu aurretik

• Pieza onen eta akats-klase bakoitzaren irudi adierazgarriak, kalitate-sailarekin adostutako muga-laginekin.
• Argiztapena eta utillajea txanda batetik bestera eta lote batetik bestera egonkor mantentzen direla erakusten duen ebidentzia.
• Onarpen faltsuen eta baztertze faltsuen tasak akats-klase bakoitzeko, erreserbatutako datuekin neurtuak.
• Kasurik txarreneko inferentzia-denbora, lineako baldintzetan neurtua.
• Ordezko irtenbide zehaztu bat konfiantza txikirako, lente zikinerako edo kamera galtzen denerako.
• Arduradun izendatu bat atalaseetarako, ereduaren bertsioetarako eta deribaren zaintzarako.

Gida honek ezartzen ez duena

Gida hau plangintzarako laguntza bat da. Ez du saiakuntzarik aurkezten, ez du produkturik alderatzen eta ez du iragartzen inongo sistemak zure piezekin izango duen detekzio-tasa; hori zure linean eta zure irudiekin baino ezin da neurtu. Segurtasun-erabaki bat edo arauzko erabaki bat elikatzen duen ikuskapenak bere balioztatze propioa behar du, behar bezala kualifikatutako alderdiek egina.

Iturriak eta egiaztapen osagarria

• NIST — AI Risk Management Framework (AI RMF 1.0), Core: Govern, Map, Measure, Manage (2023ko esparrua; NISTek adierazten du berrikuspen bat egiten ari direla; kontsulta-data: 2026-10-12).
• Association for Advancing Automation (A3) — What Every Machine Vision User Should Know About Lighting (adierazitako data: 2002-02-12; argiztapenari buruzko erreferentziazko irakurgaia; kontsulta-data: 2026-10-11).

Hurrengo urrats erabilgarria

Eraman pieza onen eta akastunen lagin-irudiak, zure akats-definizioak, linearen abiadura eta dagoeneko dituzun ikuskapen-emaitzak Robotika eta Automatizazioa orrira. AYXWORKSen portfolioak gida hauen atzean dagoen ingeniaritza-ikuspegia erakusten du. Ondoren datorren edozein proiektu Eurobots/ReBots bidez zehazten eta gauzatzen da, eta bideragarritasunetik eta erantzukizun-mugetatik abiatzen da, ez ustezko «giltza eskuan» instalazio batetik.