Resultados visuales de AURION

El conjunto de datos se aumentó antes de dividirlo, así que variantes de la misma imagen acabaron a la vez en entrenamiento y en validación. El modelo no generalizaba: reconocía fotos que ya había visto con otro brillo. Repetido con una partición agrupada por imagen original, el resultado cae 31 puntos.

La señal que lo delató: mAP50 de 0.876 en la primera época, antes de que el modelo aprendiera nada. Tras corregir la partición baja a 0.168, que es lo esperable.

Cada curva degrada el conjunto de test en una variable y mide la caída de precisión. La banda marca el margen del 10 % sobre la referencia: dentro de ella el sistema es utilizable. Cinco de las seis se quedan dentro.

La asimetría es lo interesante: un desenfoque uniforme de kernel 15 cuesta un 5.7 %, mientras que un desenfoque direccional de kernel 11 cuesta un 30.7 %. El palet se identifica por sus tablas horizontales, y un barrido horizontal las emborrona justo en la dirección que las destruye. Requisito de instalación: obturador rápido, o captura con el palet detenido.

El conjunto de test contiene imágenes de puesto de control (uno a seis objetos, plano completo) y de almacén general (hasta 72 objetos a distintas profundidades). Solo las primeras corresponden al caso de uso previsto. Se reportan las dos.

En control de calidad la cifra que decide no es la precisión media, sino el recall sobre palets dañados: qué proporción de defectos se detecta. Dentro del dominio de diseño es de 0.901.