Vídeo real de la demo · Narración y subtítulos en inglés · Datos ficticios
EL PROBLEMA
La inspección visual necesita algo más que una alerta: una referencia normal, evidencia del cambio y una decisión trazable.
EL FLUJO
Compara paneles sintéticos con una memoria de superficies normales. Un ResNet18 local genera distancias de anomalía; el revisor contrasta el mapa, registra la decisión y exporta la evidencia.
01Comparación con superficies normales
02Distancia y mapa de anomalía
03Decisión humana con revisión
04Informe y exportación
EVIDENCIA REGISTRADA
Resultados, con contexto.
Resultados sobre datos sintéticos
Comprobación
Casos
Paneles de prueba: clasificación correcta
16/16
Ejemplos de interfaz: clasificación correcta
4/4
Conjunto
original-controlled-fixtures-v1
Casos completados
20/20
Mediana / p95 por caso
2.81 s / 65.306 s
Registro de evaluación (UTC)
2026-10-08
Fuente: registro de evaluación del proyecto, con inferencia local. Equipo registrado: NVIDIA GeForce RTX 4070 Laptop GPU / 8 GB. La latencia incluye el caso HTTP completo y puede incluir la carga inicial del modelo. Estas mediciones no se han vuelto a ejecutar en el equipo que sirve esta web.
Un piloto de inspección con referencias normales, revisión humana y evaluación separada.
Qué definiríamos antes
Tipos de pieza, tolerancias, referencias normales, condiciones de captura y coste de falsos positivos y negativos.
Límites de esta demostración
Dieciséis paneles de prueba con semillas distintas de las referencias, pero el mismo generador sintético. No mide precisión industrial. El mapa no es una segmentación certificada del defecto.
Demo evaluada
Demo evaluada