Inspección visual con IA: equilibra defectos no detectados y falsos rechazos

Define qué clase activa el rechazo

Aquí positivo significa predicción de pieza defectuosa. Un verdadero positivo señala correctamente un defecto; un falso negativo lo omite; un falso positivo señala una pieza buena y un verdadero negativo deja pasar una buena. Declara la convención antes de leer la matriz de confusión.

Scikit-learn distingue puntuación del modelo y umbral de decisión y advierte contra ajustar el umbral con datos de entrenamiento. La biblioteca ofrece métodos de análisis, no una regla de liberación de fabricación. Define qué hace planta con cada resultado y cómo se establecen las etiquetas de referencia.

Compara dos umbrales sobre las mismas piezas ficticias

La población didáctica reservada tiene 10.000 piezas: 100 realmente defectuosas y 9.900 buenas según la referencia declarada. Con umbral bajo se señalan 95 defectos, se omiten 5 y se señalan por error 198 piezas buenas. Con umbral alto se señalan 80 defectos, se omiten 20 y se señalan por error 49 buenas.

Ambas matrices usan las mismas piezas y etiquetas. El umbral alto reduce señales, tanto falsas como verdaderas. No demuestra que el modelo sea mejor; solo cambió la regla de decisión.

Calcula las métricas y las consecuencias supuestas

La sensibilidad, o recall, es del 95 % con umbral bajo y del 80 % con alto. La precisión es del 32,42 % y 62,02 %, respectivamente. La exactitud sube del 97,97 % al 99,31 % al elevar el umbral, aunque los defectos no detectados pasan de 5 a 20.

Para comparar costes didácticos, supón 100 EUR por defecto no detectado y 2 EUR por falso rechazo, sin otros costes. El umbral bajo suma 5 × 100 + 198 × 2 = 896 EUR. El alto, 20 × 100 + 49 × 2 = 2.098 EUR. Son entradas inventadas; este ejemplo no permite poner precio y descartar requisitos de seguridad, cliente o normativa.

Comprueba qué puede revisar realmente el equipo

El umbral bajo señala 293 piezas; el alto, 129. Si pasan a revisión manual, importan capacidad y plazo de respuesta. Una cola creciente retrasa producto bueno y una revisión apresurada puede volver a omitir los mismos defectos.

Aclara si una señal significa revisión, retrabajo, rechazo definitivo o bloqueo automático de liberación. No asignes a todos los falsos positivos coste de desecho si las piezas se revisan y vuelven a producción. El análisis de concordancia por atributos ayuda a investigar consistencia de referencia y revisión humanas.

1. Define resultados y consecuencias

   Declara clase positiva, referencia, gravedad y respuesta a cada resultado.

2. Ajusta con datos de validación adecuados

   Usa un objetivo declarado y separa entrenamiento de prueba final.

3. Evalúa la regla final

   Comprueba errores por pieza reservada, incertidumbre, subgrupos y carga de revisión.

4. Valida en operación y vigila

   Confirma en condiciones representativas de línea y conserva una alternativa aprobada ante fallos.

Protege la evaluación de atajos fáciles

Evita que imágenes repetidas de una pieza o lotes relacionados se repartan entre entrenamiento y evaluación cuando eso no represente el uso real. Incluye iluminación, productos y gravedad de defectos relevantes. La guía de fuga de datos en IA industrial explica dónde separar los conjuntos.

La prevalencia de defectos del 1 % es supuesta. Precisión y carga pueden cambiar si cambia la prevalencia, aunque algunas tasas condicionadas por clase sigan parecidas. Informa de incertidumbre y suficientes defectos para la decisión; muchas imágenes buenas no aportan las evidencias que faltan de defectos raros.

Conserva la versión de umbral junto a la decisión operativa

Registra modelo, preprocesamiento, cámara, umbral, referencia y fecha de aplicación. Sigue los resultados reales cuando lleguen las etiquetas, también de piezas inicialmente aceptadas. Revisar solo las señaladas puede ocultar falsos negativos.

La descarga contiene ambas matrices ficticias y campos para documentar la decisión. Estos ejemplos no validan una inspección ni autorizan la liberación de producto.