← Todos los recursos
Comparación tecnológica
AOI basada en reglas frente a inspección con deep learning
Ya tenemos equipos AOI. ¿Hay motivos para pasar a la inspección con IA?
La diferencia aparece cuando cambia la iluminación o surge un nuevo defecto. Con reglas, hay que reescribir el algoritmo; con deep learning, basta con entrenarlo. El argumento es más sólido en líneas donde, por la sobredetección, una persona ya tiene que volver a revisar las piezas.
Términos
- AOI (Automated Optical Inspection)
- Equipo que fotografía una pieza y evalúa su apariencia
- Basado en reglas
- Evaluación según condiciones definidas por personas: umbrales, reglas de forma
- Sobredetección (falsos rechazos)
- Piezas buenas evaluadas como defectuosas. Aumenta la mano de obra de reinspección
- Subdetección (defectos no detectados)
- Piezas defectuosas evaluadas como buenas. Provoca escapes de defectos
- Segmentación
- División de la región del defecto píxel a píxel para obtener su posición y área
Qué cambia realmente
- Cambios de iluminación y posición
- Basado en reglas: sensible / deep learning: robusto
- Nuevo tipo de defecto
- Basado en reglas: requiere actualizar el algoritmo / deep learning: se entrena con ~5 imágenes
- Texturas complejas (BGA, QFN)
- Basado en reglas: dificultad para clasificar / deep learning: clasifica
- Cuantificación de defectos
- Difícil con reglas / deep learning: área y posición por píxel
- Resolución de detección
- Basado en reglas: suele necesitar 5+ píxeles / DSTEK: detecta a partir de 2–3
Cuándo no conviene cambiar
- Un único producto, iluminación fija y un conjunto de defectos sin cambios durante años: un sistema basado en reglas es suficiente.
- Lo mismo ocurre con procesos que solo miden dimensiones, sin evaluación de apariencia.
- En cambio, si las variantes de producto cambian a menudo, los tipos de defecto no dejan de aumentar o hay personas ocupadas revisando sobredetecciones, la decisión es clara.