OKIluminación que cambia
Luz da nave que entra por unha xanela, un foco avellentado ou reflexos en envases brillantes cambian a imaxe e a inspección leo como un defecto.
Inicio / Visión artificial / Falsos rexeitamentos
Guía · Control de calidade · Merma
Falsos rexeitamentos en visión artificial: por que ocorren e como reducilos
Un falso rexeitamento é un envase bo que o sistema de visión expulsa como malo. Cada un é produto que se tira ou se reprocesa, e cando son moitos, o operario acaba baixando a esixencia ou desconectando a cámara, e entón pasan tamén os malos. Nesta guía explicamos de onde veñen e como se reducen.
As causas
De onde veñen os falsos rexeitamentos
Case nunca é «a cámara». Adoita ser unha destas causas, ou varias á vez.
O envase non chega igual
Envases xirados, separados de forma irregular ou que vibran na cinta: a ferramenta busca a zona onde non está.
Tolerancias demasiado estritas
Un limiar posto «por se acaso» rexeita variacións normais do envase que non son unha falla.
Receita do formato equivocada
Tras un cambio de formato ou de sabor queda cargada a receita anterior e todo sae rexeitado.
Óptica sucia ou desaxustada
Salpicaduras na lente ou na protección, ou unha cámara que se moveu coa vibración.
A ferramenta non é a axeitada
Defectos que varían dunha peza a outra (forma, cor, superficie) son difíciles de describir con regras fixas; aí encaixa mellor o deep learning.
Como se reducen
Medir primeiro, axustar despois
Os falsos rexeitamentos non se arranxan subindo a tolerancia ás cegas: así pasan tamén os malos. Arránxanse sabendo, rexeitamento a rexeitamento, que viu a cámara e por que decidiu.
- Gardar a foto e o motivo de cada rexeitamento, e revisalos nunha galería
- Separar os rexeitamentos reais dos falsos e ver que ferramenta os provoca
- Axustar o limiar cos valores medidos, non coa intuición
- Estabilizar a luz e a posición do envase antes de tocar o software
- Receitas por formato con usuario e rexistro de cada cambio
- Deep learning onde o defecto varía de forma natural
Un caso real
−93 % de merma nunha liña de lácteos
Nunha liña de lácteos en brik, lendo o código con OCR en lugar de só comprobar se estaba, e axustando a inspección coa foto de cada rexeitamento, a merma pasou do 0,13 % por falsos rexeitamentos ao 0,009 % de merma total sen a proba de tapón, sen deixar pasar envases malos (ver o caso). Non é unha promesa para todas as liñas: cada unha parte dunha situación distinta. Por iso comezamos medindo.
Calcule o que perde
TIVOX Insight dálle en uns dous minutos unha estimación do que lle custan ao ano os rexeitamentos da súa liña.
Revisamos o seu sistema
Con fotos dos seus rexeitamentos, dicímoslle que causa os falsos e que se pode corrixir, sexa cal sexa a marca da súa cámara.
Vexa como se traballa
No simulador de TIVOX Sentinel PLUS pode ver a galería de rexeitamentos e os limiares de cada ferramenta.
Preguntas frecuentes
Respostas ás dúbidas máis habituais
Que é un falso rexeitamento en visión artificial?
É un envase ou unha peza boa que o sistema de visión clasifica como defectuosa e expulsa. Tamén se chama falso positivo, porque o sistema «dá positivo» nun defecto que non existe.
Que porcentaxe de falsos rexeitamentos é normal?
Depende do produto, da inspección e da esixencia de cada planta, así que non hai unha cifra que valla para todas. O importante é medilo: saber cantos dos rexeitamentos son reais e cantos non, e que ferramenta os provoca.
Subir a tolerancia arranxa o problema?
Ás cegas, non: redúcense os falsos rexeitamentos, pero comezan a pasar envases malos. A tolerancia axústase cos valores medidos dos rexeitamentos e despois de estabilizar a luz e a posición do envase.
Poden revisar un sistema de visión doutra marca?
Si. Con fotos dos rexeitamentos e dos envases bos dicímoslle que está a causar os falsos rexeitamentos e que se pode corrixir, sexa cal sexa a marca da cámara.
Cando convén o deep learning?
Cando o defecto ou o produto varían de forma natural dunha peza a outra e é difícil describilo con regras fixas: superficies, selados, formas irregulares. Para medidas e lecturas claras, as ferramentas clásicas adoitan ser máis rápidas e fáciles de axustar.
Revisión en remoto, sen custo
A súa cámara tira envases bos?
Envíenos fotos dos rexeitamentos e de envases bos. Dicímoslle de onde veñen os falsos rexeitamentos e que se pode corrixir.