Acotar la tarea de asistencia IA
Pida a IA un flujo compatible para piezas visibles y relación declarada con referencias, límites y variables. No infiera fijación oculta desde una imagen bonita ni reemplace incertidumbre con confianza. El grafo es hipótesis, no receta liberada. Mantenga cámara y luz para atribuir mejora al flujo declarado, no a otro ejemplar o vista cómoda.
Fijar imágenes y coordenadas
Fije identidad, dimensiones originales, transformación, útil y referencia independiente por caso. Superponga zonas en la imagen completa con fallos y oclusión. Recorte y cambio de tamaño conservan relación con fuente. Detecciones locales no son posiciones físicas sin geometría validada. Resultados de otro fotograma, recorte anterior o fuente incierta no prueban el conjunto actual aunque parezcan plausibles.
Construir cadena tipada explícita
Construya preparación, primer plano, zonas y regla explícitas si el método acotado encaja. Etiquetas de región no prueban identidad aprendida ni rechazo de cualquier SKU incorrecto. Un detector validado aparte requiere modelo, clases, filtros y duplicados. Cajas brutas no son piezas únicas automáticas. Confirme nodos y contratos instalados, conservando validez en vez de reducir salidas a conteos anónimos.
La relación con signo usa coordenadas declaradas
Depende del orden y centros locales, no mide acople oculto.
- Imagen original y transformación
- Centro de primera etiqueta requerida
- Centro de segunda etiqueta requerida
- Relación con signo e intervalo
Definir relación espacial
Declare separación horizontal o vertical con signo o distancia euclídea local. La ruta revisada usa centros de etiquetas únicas e incluye límites. Separación direccional no equivale a distancia sin signo; invertir etiquetas cambia signo. El código sintético solo ilustra frontera inclusiva, no tolerancia productiva ni calibración. Conserve etiquetas, orden, coordenadas y revisión. Una pieza a la izquierda puede fallar intervalo; uno permisivo no demuestra acople mecánico.
# Synthetic image-local centre example, not calibrated mechanical acceptance.
first_center_x = 4.0 # px
second_center_x = 14.0 # px
signed_separation = second_center_x - first_center_x # 10.0 px
minimum = 10.0 # px
maximum = 12.0 # px
inside_inclusive_interval = minimum <= signed_separation <= maximum
# True at the lower boundary. Native validity and unique-part checks are separate prerequisites.Conservar ambigüedad y ausencia
Examine validez antes de relación. En la ruta acotada, visibilidad inválida o candidatos múltiples producen Review; ausencia requerida con resto válido produce Fail. Ausencia fuera de vista no equivale a zona vacía válida. Conserve razones y ambigüedad contra aceptación silenciosa. Errores, resultados malformados y estados desconocidos necesitan tratamiento no aprobatorio. Confirme contrato instalado; nombre conocido no demuestra comportamiento actual coincidente.
Comparar candidatos en grupos fijos
Compare base y candidatos con mismos grupos de ausencia, mala posición, duplicados, recorte y variación permitida. Cambie variable declarada y conserve fallos originales. Examine mejoras, inobservabilidad y asignaciones erróneas, no solo pantalla aprobada. Mantenga denominador de Review y errores. Elija con límites y conjuntos independientes para aceptación. Búsqueda de parámetros no es prueba independiente del grafo elegido.
Registrar el flujo
Registre imagen y conjunto, útil y grafo, recorte, método, etiquetas o modelo, filtros, detecciones originales, validez, intervalo y resultado. Añada fundamento de referencia y discrepancia. La tabla separa relación, ambigüedad, ausencia y error sin inventar exactitud. Conserve grafos e insumos reproducibles. El receptor debe distinguir zonas fijas de reconocimiento validado; asistencia IA no transforma etiquetas en clasificador aprendido.
| Condición | Resultado acotado | Interpretación |
|---|---|---|
| Etiquetas requeridas únicas válidas en intervalo | Pass | Solo relación visible declarada |
| Evidencia válida con etiqueta ausente | Fail | Ausencia observada de pieza obligatoria |
| Candidatos múltiples o visibilidad inválida | Review | Sin relación única fiable |
| Ejecución malformada o no disponible | Tratamiento no aprobatorio explícito | No es inspección nueva válida |
Acotar runtime y mecánica
Este desarrollo acotado no garantiza uniones ocultas ni disponibilidad productiva. Pruebas históricas de código fijo no demuestran paquete Windows, modelos o cámara actual aceptados. OpenCV.js local en navegador no está implementado en el alcance revisado. Nube y segmentación requieren soporte y validación propios. Deyi Vision ayuda a comparar grafos y evidencia; la estación debe demostrar entradas, salidas, eventos y límites aparte.
De propuesta IA a evidencia reproducible
Conserve validez y referencias mientras compara candidatos explícitos.
- Fijar referencias e imágenes
- Construir cadena tipada compatible
- Evaluar con ambigüedad intacta
- Comparar grupos y conservar límites
Fuentes y referencias técnicas
Las referencias explican los métodos y límites del tutorial. Las comprobaciones de ejemplo sirven de orientación; la aceptación en producción requiere pruebas con sus propias muestras.
- Contours: Getting StartedOpenCVComprobado
- Deyi Vision Vision WorkbenchDeyi VisionComprobado
Referencias de componentes y selección
- machine vision software · Referencia en inglés
- Lista de verificación de la prueba de aceptación de visión artificial
- inspeccion visual automatizada
- EAN-13: decodificación y reglas de datos
- Adquisición estable: búferes, tiempos de espera y reconexión
- Aceptar e integrar una inspección de nivel visible
- Flujo asistido por IA para un indicador de nivel visible
- Relacionar registros de inspección, imágenes e identificadores
- Etiquetas OCR: aceptación y contrato PLC
- Etiquetas OCR: flujo nativo y coincidencia exacta
- Aceptar e integrar integridad de paquetes abiertos
- Crear integridad de paquetes abiertos asistida por IA
- Definir el enlace PLC–visión mediante estados explícitos
- Aspecto de sello y cordón: aceptación en línea
- Aspecto de sello y cordón: reglas
- Clasificación SKU: aceptación y desconocidos
- Clasificación SKU: reglas de color y producto
- Defectos superficiales: aceptación y salida
- Defectos superficiales: evaluación AI acotada
- Ensayar latencia desde el disparo hasta la decisión PLC
- Versionar y restaurar el conjunto completo de visión
