Trainieren eines Segmenters

Diese Anleitung zeigt Ihnen, wie Sie die Segmentierungsfunktion des OV80i einrichten und konfigurieren, um bestimmte Merkmale oder Defekte in Ihren Teilen automatisch zu erkennen, zu messen und zu analysieren. Verwenden Sie die Segmentierung, wenn Sie unregelmäßige Formen identifizieren, Flächen messen oder bestimmte Muster erkennen müssen, die nicht durch eine einfache Klassifizierung abgedeckt werden können.

Video-Anleitung

Sehen Sie sich dieses Thema in Aktion an: So erstellen Sie ein Segmentierungs-Rezept in wenigen Minuten

Wann sollte Segmentierung verwendet werden: Oberflächenfehler, Flüssigkeitsverschüttungen, unregelmäßige Formen, Flächenmessungen, Mustererkennung oder alle Merkmale, bei denen pixelgenaue Präzision erforderlich ist.

Bevor Sie beginnen

Was Sie benötigen

• Eingerichtetes und angeschlossenes OV80i-Kamerasystem
• Testteile mit Merkmalen, die Sie segmentieren möchten (z. B. Bögen mit Bleistiftmarkierungen)
• Gute Lichtverhältnisse für Ihre spezifische Anwendung
• 15–20 Beispielbilder für das Training

Schritt 1: Erstellen eines Segmentierungs-Rezepts

1.1 Neues Rezept starten

1. Navigieren Sie zur Seite All Recipes
2. Klicken Sie auf + New Recipe (oben rechts)

3. Geben Sie einen Rezeptnamen ein: Verwenden Sie einen beschreibenden Namen wie „Pencil_Mark_Detection" oder „Surface_Defect_Segmentation"
4. Rezepttyp auswählen: Wählen Sie „Segmentation" aus dem Dropdown-Menü
5. Klicken Sie auf OK, um das Rezept zu erstellen

1.2 Rezept aktivieren

1. Suchen Sie Ihr Rezept in der Liste (angezeigt als „Inactive")
2. Klicken Sie auf Activate
3. Klicken Sie auf Activate and go to editor, um zu bestätigen und den Rezept-Editor zu öffnen

✅ Ergebnis: Das Rezept ist nun „Active" und der Recipe Editor wird angezeigt.

Schritt 2: Kameraeinstellungen konfigurieren

2.1 Bildkonfiguration öffnen

1. Klicken Sie auf Configure Imaging (unten links)

2.2 Fokus für die Segmentierung optimieren

Der Fokus ist entscheidend für eine genaue Kantenerkennung:

1. Positionieren Sie Ihr Testteil im Sichtfeld der Kamera
2. Passen Sie den Fokus an, bis die Kanten scharf und klar sind
3. Testen Sie mit verschiedenen Teilen, um einen konsistenten Fokus über Ihren gesamten Bereich sicherzustellen

tipp

• Fokussieren Sie auf die Oberfläche, an der Defekte/Merkmale auftreten werden
• Stellen Sie sicher, dass der gesamte interessierende Bereich scharf abgebildet wird
• Leichte Überschärfung ist für die Segmentierung besser als ein weicher Fokus

2.3 Optimale Belichtung einstellen

Die richtige Belichtung gewährleistet eine konsistente Merkmalserkennung:

1. Passen Sie die Belichtung an für eine ausgewogene Ausleuchtung
2. Vermeiden Sie überbelichtete Bereiche (reinweiße Bereiche)
3. Stellen Sie sicher, dass Merkmale sichtbar sind mit gutem Kontrast

Belichtungsrichtlinien für die Segmentierung:

• Merkmale sollten einen klaren Kontrast zum Hintergrund aufweisen
• Vermeiden Sie Schatten, die mit Defekten verwechselt werden könnten
• Testen Sie mit verschiedenen Teilezuständen (sauber, verschmutzt, abgenutzt)

2.4 LED-Beleuchtungsmuster konfigurieren

Wählen Sie die Beleuchtung basierend auf dem, was Sie segmentieren:

Merkmalstyp	Empfohlene Beleuchtung	Begründung
Oberflächenfehler	Bright field	Gleichmäßige Ausleuchtung zeigt Oberflächenunregelmäßigkeiten
Kratzer/Risse	Side lighting	Erzeugt Schatten, die lineare Defekte hervorheben
Erhabene Merkmale	Dark field	Hebt erhabene Bereiche vom Hintergrund ab
Flüssigkeitsverschüttungen	Side lighting	Zeigt Unterschiede in der Oberflächentextur

2.5 Gamma zur Merkmalsverbesserung anpassen

1. Gamma erhöhen, um den Kontrast zwischen Merkmalen und Hintergrund zu verstärken
2. Verschiedene Werte testen, während Sie Ihre Zielmerkmale betrachten
3. Einstellung finden, bei der die Merkmale am besten unterscheidbar sind

2.6 Konfiguration speichern

1. Einstellungen in der Live-Vorschau überprüfen
2. Auf Save Imaging Settings klicken

✅ Checkpoint: Merkmale sollten mit gutem Kontrast deutlich sichtbar sein.

Schritt 3: Template und Ausrichtung einrichten

3.1 Zum Template-Bereich navigieren

Im Breadcrumb-Menü auf "Template Image and Alignment" klicken

3.2 Ausrichtung konfigurieren (optional)

In diesem Beispiel überspringen wir die Ausrichtung:

1. Skip Aligner auswählen, wenn Teile konsistent positioniert sind
2. Auf Save klicken

Wann den Aligner verwenden: Aktivieren Sie ihn, wenn Teile in unterschiedlichen Positionen oder Ausrichtungen ankommen, die die Segmentierungsgenauigkeit beeinträchtigen würden.

Schritt 4: Inspektionsbereich definieren

4.1 Zur Inspektions-Einrichtung navigieren

Im Breadcrumb-Menü auf "Inspection Setup" klicken

4.2 Region of Interest (ROI) festlegen

Die ROI definiert, wo die Segmentierung erfolgt:

1. Ein Testteil im Kamerablickfeld positionieren
2. ROI-Ecken ziehen, um den Inspektionsbereich zu umrahmen
3. ROI angemessen dimensionieren:
   • Alle Bereiche einbeziehen, in denen Merkmale auftreten könnten
   • Unnötige Hintergrundbereiche ausschließen
   • Einen kleinen Puffer um die erwarteten Merkmalspositionen lassen

4.3 ROI Best Practices für die Segmentierung

Empfohlen	Nicht empfohlen
Gesamte Inspektionsoberfläche abdecken	Irrelevante Hintergrundobjekte einbeziehen
Pufferbereich an den Rändern lassen	ROI zu klein für Merkmalsvariationen wählen
Variationen der Teilepositionierung berücksichtigen	Überlappung mit Vorrichtungen oder Werkzeugen
Mit den größten erwarteten Merkmalen testen	Bereiche mit dauerhaften Markierungen einbeziehen

4.4 ROI-Einstellungen speichern

1. Sicherstellen, dass die ROI alle Zielbereiche abdeckt
2. Auf Save klicken

Schritt 5: Trainingsdaten labeln

5.1 Zu Label And Train navigieren

Im Breadcrumb-Menü auf "Label And Train" klicken

5.2 Inspektionsklasse konfigurieren

1. Auf Edit unter Inspection Types klicken
2. Klasse umbenennen, sodass sie zu Ihrem Merkmal passt (z. B. "Pencil Mark", "Surface Defect", "Spill Area")
3. Klassenfarbe zur visuellen Identifizierung auswählen
4. Änderungen speichern

5.3 Trainingsbilder erfassen und labeln

Sie benötigen mindestens 10 gelabelte Bilder, empfohlen werden jedoch 15–20:

Bilderfassungsprozess

1. Erstes Testteil im Inspektionsbereich platzieren
2. Bild aufnehmen über die Kameraschnittstelle
3. Brush-Werkzeug verwenden, um Zielmerkmale zu übermalen
4. Genau malen:
   • Gesamte Merkmalsfläche abdecken
   • Innerhalb der Merkmalsgrenzen bleiben
   • Keine Hintergrundbereiche bemalen
   • Konsistenten Labeling-Ansatz verwenden
5. Auf Save Annotations klicken
6. Mit dem nächsten Teil wiederholen

Best Practices für das Labeling

Gutes Labeling	Schlechtes Labeling
Präzise Merkmalsgrenzen	Unsauberes Übermalen der Kanten
Konsistente Merkmalsdefinition	Inkonsistente Kriterien
Vollständige Merkmalsabdeckung	Fehlende Merkmalsbereiche
Sauberer Hintergrund (unbemalt)	Versehentliches Übermalen des Hintergrunds

5.4 Vielfalt der Trainingsdaten

Stellen Sie sicher, dass Ihr Trainingsdatensatz Folgendes enthält:

• Unterschiedliche Merkmalsgrößen
• Verschiedene Merkmalsintensitäten
• Mehrere Positionen innerhalb der ROI
• Unterschiedliche Lichtverhältnisse (falls zutreffend)
• Grenzfälle und Randbeispiele

5.5 Qualitätsprüfung der Trainingsdaten

1. Überprüfen Sie alle gelabelten Bilder
2. Verifizieren Sie eine konsistente Labeling-Methodik
3. Entfernen Sie alle fehlerhaft gelabelten Beispiele
4. Fügen Sie bei Bedarf weitere Beispiele hinzu

Schritt 6: Segmentierungsmodell trainieren

6.1 Trainingsprozess starten

1. Klicken Sie auf Return to Live, wenn das Labeling abgeschlossen ist
2. Klicken Sie auf Train Segmentation Model

6.2 Trainingsparameter konfigurieren

1. Anzahl der Iterationen festlegen:
   • Schnelles Training: 50–100 Iterationen (5–10 Minuten)
   • Produktionsqualität: 200–500 Iterationen (15–30 Minuten)
   • Hohe Präzision: 500+ Iterationen (30+ Minuten)
2. Klicken Sie auf Start Training

6.3 Trainingsfortschritt überwachen

Der Trainingsfortschritt zeigt:

• Aktuelle Iterationsnummer
• Trainingsgenauigkeit in Prozent
• Geschätzte verbleibende Zeit

Trainingssteuerung:

• Abort Training: Stoppen, falls Probleme auftreten
• Finish Training Early: Stoppen, wenn die Genauigkeit ausreichend ist

tipp

• 85 % Genauigkeit sind in der Regel ausreichend für die Produktion
• Das Training stoppt automatisch bei Erreichen der Zielgenauigkeit
• Mehr Trainingsdaten sind oft besser als mehr Iterationen

Schritt 7: Segmentierungsleistung testen

7.1 Live Preview aufrufen

1. Klicken Sie auf Live Preview, nachdem das Training abgeschlossen ist
2. Testen Sie mit verschiedenen Teilen:
   • Bekannt gute Teile (sollten keine/minimale Segmentierung zeigen)
   • Bekannt fehlerhafte Teile (sollten Defekte hervorheben)
   • Grenzfälle und Randbeispiele

7.2 Ergebnisse auswerten

Segmentierungsqualität prüfen:

Metrik	Gute Leistung	Verbesserungsbedarf
Accuracy	Findet reale Merkmale konsistent	Übersieht offensichtliche Merkmale
Precision	Wenige False Positives	Viele Hintergrundbereiche hervorgehoben
Kantenqualität	Saubere, präzise Grenzen	Raue oder ungenaue Kanten
Konsistenz	Ähnliche Ergebnisse bei Wiederholungstests	Stark variierende Ergebnisse

7.3 Fehlerbehebung bei schlechten Ergebnissen

Problem	Wahrscheinliche Ursache	Lösung
Fehlende Merkmale	Unzureichende Trainingsdaten	Weitere gelabelte Beispiele hinzufügen
False Positives	Schlechte Beleuchtung/Kontrast	Bildgebungseinstellungen verbessern
Raue Kanten	Schlechte Bildqualität	Fokus/Beleuchtung verbessern
Inkonsistente Ergebnisse	Unzureichende Trainingsvielfalt	Vielfältigere Beispiele hinzufügen

Schritt 8: Pass/Fail-Logik konfigurieren

8.1 Zugriff auf IO Block

1. Stellen Sie sicher, dass das AI-Modell grün angezeigt wird (Status „trainiert")
2. Navigieren Sie zum IO Block über das Breadcrumb-Menü

8.2 Standardlogik entfernen

1. Löschen Sie den Knoten Classification Block Logic
2. Bereiten Sie den Aufbau einer benutzerdefinierten Segmentierungslogik vor

8.3 Segmentierungs-Flow erstellen

Erstellen Sie einen Node-RED-Flow mit diesen Komponenten:

1. Ziehen Sie Knoten aus dem linken Bedienfeld:
   • Function-Knoten (für Logik)
   • Debug-Knoten (zum Testen)
   • Finaler Pass/Fail-Knoten
2. Verbinden Sie die Knoten mit Drähten

8.4 Logik basierend auf Ihren Anforderungen konfigurieren

Option A: Pass, wenn keine Defekte erkannt werden

Anwendungsfall: Qualitätsprüfung, bei der jedes erkannte Merkmal einen Fail bedeutet

Function-Knoten-Code:

const allBlobs = msg.payload.segmentation.blobs;
const results = allBlobs.length <1; // Pass if no features found
msg.payload = results;
return msg;

Option B: Pass nur bei kleinen Defekten

Anwendungsfall: Akzeptanz kleinerer Defekte unterhalb des Größenschwellenwerts

Function-Knoten-Code:

const threshold = 500; // Adjust pixel count threshold
const allBlobs = msg.payload.segmentation.blobs;
const allUnderThreshold = allBlobs.every(blob => blob.pixel_count < threshold);
msg.payload = allUnderThreshold;
return msg;

Option C: Pass, wenn die gesamte Defektfläche klein ist

Anwendungsfall: Akzeptanz von Teilen mit begrenzter gesamter Defektfläche

Function-Knoten-Code:

const threshold = 5000; // Adjust total pixel threshold
const allBlobs = msg.payload.segmentation.blobs;
const totalArea = allBlobs.reduce((sum, blob) => sum + blob.pixel_count, 0);
msg.payload = totalArea < threshold;
return msg;

8.5 Function-Knoten konfigurieren

1. Doppelklicken Sie auf den Function-Knoten
2. Kopieren Sie den passenden Code aus den obigen Beispielen
3. Fügen Sie ihn in den Tab „On Message" ein
4. Passen Sie die Schwellenwerte an Ihre Anwendung an
5. Klicken Sie auf Done

8.6 Logik deployen und testen

1. Klicken Sie auf Deploy, um die Logik zu aktivieren
2. Navigieren Sie zur HMI zum Testen
3. Testen Sie mit bekannten Gut- und Schlechtteilen
4. Überprüfen Sie, ob die Pass/Fail-Ergebnisse den Erwartungen entsprechen

Schritt 9: Produktionsvalidierung

9.1 Umfassende Tests

Testen Sie das Segmentierungssystem mit:

Testfall	Erwartetes Ergebnis	Maßnahme bei Fehlschlag
Saubere Teile	Pass (keine Segmentierung)	Schwellenwerte anpassen oder neu trainieren
Kleinere Defekte	Pass/Fail nach Ihren Kriterien	Logikparameter verfeinern
Größere Defekte	Fail (deutliche Segmentierung)	Modellgenauigkeit prüfen
Grenzfälle	Konsistentes Verhalten	Trainingsdaten ergänzen

9.2 Performance-Validierung

Überwachen Sie diese Kennzahlen:

• Verarbeitungszeit pro Inspektion
• Konsistenz über mehrere Tests hinweg
• Genauigkeit unter Produktionsbeleuchtung
• Zuverlässigkeit im Dauerbetrieb

9.3 Letzte Anpassungen

Falls die Performance nicht zufriedenstellend ist:

1. Fügen Sie weitere Trainingsdaten für Grenzfälle hinzu
2. Passen Sie die Schwellenwerte in der Logik an
3. Verbessern Sie die Bildaufnahmebedingungen
4. Trainieren Sie das Modell neu mit zusätzlichen Iterationen

Erfolg! Ihr Segmentierungssystem ist einsatzbereit

Sie verfügen nun über ein funktionierendes Segmentierungssystem, das:

• Bestimmte Merkmale oder Defekte automatisch erkennen kann
• Flächen mit pixelgenauer Präzision messen kann
• Benutzerdefinierte Pass/Fail-Logik entsprechend Ihren Anforderungen anwenden kann
• Über I/O-Steuerungen mit Produktionssystemen integriert werden kann

Erweiterte Konfigurationsoptionen

Benutzerdefinierte Schwellenwertlogik

Kombinieren Sie für komplexe Abnahmekriterien mehrere Bedingungen:

const smallThreshold = 200;
const largeThreshold = 1000;
const maxTotalArea = 3000;

const allBlobs = msg.payload.segmentation.blobs;
const smallBlobs = allBlobs.filter(blob => blob.pixel_count < smallThreshold);
const largeBlobs = allBlobs.filter(blob => blob.pixel_count > largeThreshold);
const totalArea = allBlobs.reduce((sum, blob) => sum + blob.pixel_c