AYXWORKS usa cookies necesarias para funcionar. Las cookies de analítica y publicidad, incluidas cookies de terceros de Google, solo se cargan si las permites. Puedes cambiarlo cuando quieras en «Configuración de cookies», al final de la página.
Visión, inspección, detección y guiado por robots.
Fuentes revisadas: 2026-10-14
16
Visión artificial
VIS-001
¿Qué es la visión artificial y cuándo necesita IA?
La visión artificial utiliza imágenes o mediciones visuales relacionadas para inspeccionar, identificar, medir o guiar un proceso. No siempre necesita IA. La geometría estable y la iluminación bien controlada pueden manejarse eficazmente mediante algoritmos convencionales; Los modelos aprendidos pueden ayudar cuando la apariencia varía demasiado para las reglas prácticas escritas a mano.
Explicación, ejemplos y fuentes
Primero defina la decisión: defecto presente, dimensión dentro de la tolerancia, etiqueta correcta o posición de recogida utilizable. Luego pruebe una línea de base simple antes de agregar el entrenamiento del modelo. Mantenga la iluminación, la ubicación de la cámara y la presentación de piezas dentro del alcance; La IA no puede recuperar de manera confiable información que la imagen nunca capturó. Mida las falsas aceptaciones y los falsos rechazos en relación con las consecuencias comerciales y de seguridad. La precisión general de un clasificador no es suficiente cuando el motivo de la instalación del sistema son defectos raros.
¿Un sistema de inspección o picking debería utilizar visión 2D o 3D?
Utilice 2D cuando la información requerida sea visible en el plano de la imagen bajo geometría controlada, como muchas etiquetas, bordes y comprobaciones de superficie. Utilice información de profundidad o 3D cuando la altura, la forma, el volumen o la pose del objeto sean esenciales. La necesidad surge de la medición, no de que el 3D sea una actualización de mayor número.
Explicación, ejemplos y fuentes
Es posible que una verificación de etiquetas de arriba hacia abajo no necesite profundidad; recoger piezas superpuestas de un contenedor a menudo lo hace. Pruebe el material de la superficie, la oclusión, el campo de visión y la resolución requerida a la distancia de trabajo. Asigne tiempo para la iluminación, la calibración y la integración del robot, no solo para la compra de sensores. Un sistema 3D aún puede tener problemas con piezas transparentes o reflectantes, y una configuración 2D simple puede superarlo en la tarea correcta. Valide el error final en la salida del proceso, no solo la precisión nominal de la cámara.
¿Por qué la iluminación, la calibración y los marcos de coordenadas son críticos en la visión de los robots?
La iluminación determina lo que el sensor puede observar, la calibración relaciona las mediciones con un modelo y los marcos de coordenadas conectan la información de la cámara con el movimiento del robot. Errores en cualquiera de estos pueden hacer que una detección visualmente convincente produzca una medición o movimiento incorrecto. Un resultado de IA de alta confianza no corrige una transformación geométrica incorrecta.
Explicación, ejemplos y fuentes
Registre los elementos intrínsecos de la cámara, la distorsión, la relación entre la cámara y el robot, el marco de la herramienta y las unidades utilizadas por cada interfaz. Verifique la dirección de transformación y las marcas de tiempo con objetivos conocidos antes de acercarse al equipo. Pruebe la cadena completa en múltiples posiciones y orientaciones en todo el volumen de trabajo. Vuelva a verificar después de cambiar la lente, el soporte de la cámara, la herramienta o el dispositivo. Mantenga los datos de calibración versionados con la disposición del hardware para que un ajuste mecánico no invalide silenciosamente la configuración guardada.
¿Cómo debo validar un sistema de visión antes de la producción?
Pruébelo en casos representativos y difíciles que no se utilizaron para ajustar el sistema. Mida los errores importantes para el proceso, incluidas las aceptaciones falsas, los rechazos falsos, los resultados inciertos y las adquisiciones fallidas. Valide las variaciones esperadas en piezas, iluminación, posiciones y condiciones operativas en lugar de un conjunto de imágenes seleccionadas.
Explicación, ejemplos y fuentes
Divida los datos para que las imágenes casi duplicadas de la misma pieza o lote de producción no se filtren entre el entrenamiento y las pruebas. Incluya ejemplos dañados, dudosos y desconocidos con etiquetas verificadas de forma independiente. Defina la selección de umbral, la escalada y el monitoreo de deriva antes del lanzamiento. Para un robot guiado, mida también los resultados de la pose y la selección, no solo las etiquetas de las imágenes. Mantenga un conjunto de datos de aceptación versionado y vuelva a ejecutarlo después de cambios de modelo, óptica o iluminación. Cuando la salida de visión apoya una función protectora, la evaluación del modelo ordinario no es evidencia de seguridad suficiente.
¿En qué se diferencian la detección, segmentación, clasificación y detección de anomalías?
La clasificación asigna una etiqueta a una entrada; la detección de objetos localiza instancias, a menudo con cuadros delimitadores; etiquetas de segmentación de regiones o píxeles de imágenes; La detección de anomalías señala desviaciones de un patrón normal aprendido o definido. Elija el resultado que el proceso realmente necesita en lugar de utilizar el modelo más elaborado disponible.
Explicación, ejemplos y fuentes
Una puerta de clasificación puede necesitar sólo una categoría, mientras que una pinza puede necesitar un límite de objeto y una pose. La detección de anomalías puede ser útil cuando los defectos son diversos, pero una puntuación de anomalía alta no explica el defecto ni prueba que el rechazo esté justificado. Defina reglas de anotación y casos ambiguos antes de recopilar un conjunto de datos grande. Evalúe la ruta de decisión completa, incluidos los umbrales y el manejo de resultados inciertos. Las predicciones más detalladas pueden aumentar el trabajo de anotación y validación sin mejorar la decisión final.