🏭 Detector Visual de Defectos — Línea de Inspección de Calidad con CNN

Los pesos de los núcleos aquí son fijos y elegidos a mano, no aprendidos mediante descenso de gradiente sobre datos de defectos etiquetados. Es una simplificación deliberada. Lo que la simulación reproduce fielmente es el cómputo de propagación hacia adelante que toda CNN realiza en tiempo de inferencia: convolución, umbralización del mapa de características, agrupación de componentes conectados en cuadros delimitadores y una decisión de aprobado/rechazo —el mismo proceso que ejecuta una red de detección de defectos entrenada, solo que con pesos elegidos a mano en lugar de aprendidos a partir de miles de piezas etiquetadas.

Cada pieza comienza como una textura base de metal cepillado: ruido direccional más un grano sinusoidal tenue. Un arañazo se dibuja como una línea fina en ángulo aleatorio cuyos píxeles se oscurecen a lo largo de una trayectoria irregular con una atenuación suave a ambos lados. Una abolladura es una caída de intensidad gaussiana circular con un borde ligeramente iluminado, imitando cómo la luz incide en el reborde elevado de una abolladura real. La desalineación se simula desplazando el borde esperado de la pieza hacia adentro o hacia afuera en un lado, creando una discontinuidad de intensidad brusca dentro del cuadro donde la CNN no la espera. Las tres son modificaciones reales por píxel sobre la cuadrícula sobre la que realmente opera la convolución.

Tras la umbralización, la simulación agrupa los píxeles marcados adyacentes en componentes conectados mediante un relleno por inundación de 4-conectividad (el mismo algoritmo básico usado en el etiquetado de componentes conectados en pipelines reales de visión por computador). Los componentes más pequeños que un recuento mínimo de píxeles se descartan como ruido. El cuadro delimitador de cada componente superviviente se dibuja sobre la vista ampliada de la pieza, y su activación media alimenta directamente la decisión de aprobado/rechazo y la puntuación de confianza —así que cada cuadro en pantalla corresponde a un clúster real de salida de convolución umbralizada, no a una superposición decorativa.

Cada pieza se genera con una verdad fundamental conocida (si realmente se inyectó un arañazo, una abolladura o una desalineación) y un veredicto de la CNN (aprobado o rechazado) derivado únicamente del mapa de activación umbralizado. Comparar ambos produce una matriz de confusión en directo: verdaderos positivos (defecto real, rechazado correctamente), falsos positivos (pieza limpia, rechazada por error), verdaderos negativos (pieza limpia, aprobada correctamente) y falsos negativos (defecto real, no detectado). La tasa de aprobado es simplemente aprobadas/total a lo largo de la sesión en curso. Observar cómo cambian estos números al mover el control de sensibilidad es el mismo ejercicio que realiza un ingeniero de calidad al ajustar el umbral de alarma de una línea de inspección real.

Cambiar el núcleo de detección entre solo Sobel, solo Laplaciano y la fusión combinada por máximo cambia qué mapa de activación impulsa realmente la decisión de aprobado/rechazo, no solo lo que se muestra. Con solo Sobel seleccionado, las piezas abolladas a menudo pasan como falsos negativos porque una caída suave produce poco gradiente; con solo Laplaciano seleccionado, los arañazos finos a menudo se pasan por alto porque su señal de curvatura es débil. Solo el mapa combinado detecta de forma fiable las tres clases de defecto con un único umbral, que es la razón práctica por la que las CNN de inspección reales usan muchos canales de convolución en lugar de un solo filtro, por bien ajustado que esté.