Entrenar un Segmentador

Esta guía le muestra cómo configurar y ajustar la función de segmentación del OV20i para detectar, medir y analizar automáticamente características o defectos específicos en sus piezas. Use segmentación cuando necesite identificar formas irregulares, medir áreas o detectar patrones específicos que no pueden ser manejados por una clasificación simple.

nota

OV20i no dispone de capacidades de segmentación.

Cuándo usar Segmentación: Defectos de superficie, derrames de líquido, formas irregulares, mediciones de área, detección de patrones, o cualquier característica que requiera precisión a nivel de píxel.

Antes de empezar

Lo que necesitará

• Sistema de cámara OV20i configurado y conectado
• Piezas de prueba con las características que desea segmentar (p. ej., láminas con marcas de lápiz)
• Condiciones de iluminación adecuadas para su aplicación específica
• 15-20 imágenes de muestra para el entrenamiento

Paso 1: Crear una Receta de Segmentación

1.1 Crear una Nueva Receta

1. Navegue a la página Todas las Recetas
2. Haga clic en + New Recipe (esquina superior derecha)
3. Ingrese el nombre de la Receta: Use un nombre descriptivo como "Detección_de_Marcas_de_Lápiz" o "Segmentación_de_Defectos_de_Superficie"
4. Seleccionar Tipo de Receta: Elija "Segmentación" del desplegable
5. Haga clic en OK para crear

1.2 Activar Receta

1. Encuentre su receta en la lista (aparece como "Inactive")
2. Haga clic en Actions > Activate
3. Haga clic en Activate para confirmar

✅ Resultado: La receta está activa y lista para la configuración.

Paso 2: Acceder al Editor de Recetas

1. Haga clic en Edit junto a su receta activa
2. Haga clic en Open Editor para confirmar

Ahora verá el Editor de Recetas con opciones específicas de segmentación.

Paso 3: Configurar Configuración de la Cámara

3.1 Abrir Configuración de Imágenes

1. Haga clic en Configure Imaging (lado inferior izquierdo)

3.2 Optimizar Enfoque para Segmentación

El enfoque es crucial para una detección de bordes precisa:

1. Coloque la pieza de prueba en la vista de la cámara
2. Ajuste el Enfoque hasta que los bordes estén nítidos y claros
3. Pruebe con diferentes piezas para asegurar un enfoque consistente a lo largo de su rango

tip

• Enfoque en la superficie donde aparecerán defectos/características
• Asegúrese de que toda el área de interés esté en enfoque nítido
• Un ligero sobreenfoque es mejor que un enfoque suave para la segmentación

3.3 Establecer Exposición Óptima

La exposición adecuada garantiza una detección de características consistente:

1. Ajustar Exposición para una iluminación equilibrada
2. Evitar áreas sobreexpuestas (regiones de color blanco puro)
3. Asegurar que las características sean visibles con buen contraste

Directrices de Exposición para Segmentación:

• Las características deben contrastar claramente con el fondo
• Evitar sombras que podrían confundirse con defectos
• Probar con varias condiciones de la pieza (limpia, sucia, gastada)

3.4 Configurar Patrón de Iluminación LED

Elija la iluminación en función de lo que está segmentando:

Tipo de Característica	Iluminación Recomendada	Por qué
Defectos de superficie	Iluminación de campo claro	Iluminación uniforme revela irregularidades de la superficie
Rasguños/Fisuras	Iluminación lateral	Crea sombras que acentúan defectos lineales
Relieves	Campo oscuro	Hace que las áreas elevadas se destaquen del fondo
Derrames	Iluminación lateral	Muestra diferencias de textura superficial

3.5 Ajustar Gamma para Mejora de Características

1. Aumentar Gamma para mejorar el contraste entre las características y el fondo
2. Probar diferentes valores mientras visualiza sus características objetivo
3. Encontrar la configuración que haga que las características se distingan mejor

3.6 Guardar Configuración

1. Revisar la configuración en la vista previa en vivo
2. Haga clic en Save Imaging Settings

✅ Punto de Control: Las características deben ser claramente visibles con buen contraste.

Step 4: Configurar Plantilla y Alineación

4.1 Navegar a la Sección de Plantilla

Haga clic en "Template Image and Alignment" en el menú de migas de pan

4.2 Configurar Alineación (Opcional)

Para este ejemplo, omitiremos la alineación:

1. Seleccionar Skip Aligner si las piezas están posicionadas de forma consistente
2. Haga clic en Save

Cuándo usar el Alineador: Habilítelo cuando las piezas lleguen en posiciones u orientaciones variables que afectarían la precisión de la segmentación.

Step 5: Definir la Región de Inspección

5.1 Navegar a Configuración de Inspección

Haga clic en "Inspection Setup" en el menú de migas de pan

5.2 Definir ROI (Region of Interest)

El ROI define dónde se realizará la segmentación:

1. Coloque una pieza de prueba en la vista de la cámara
2. Arrastre las esquinas de ROI para encuadrar el área de inspección
3. Ajuste el tamaño de ROI de forma adecuada:
   • Incluir todas las áreas donde podrían aparecer las características
   • Excluir regiones de fondo innecesarias
   • Dejar un pequeño margen alrededor de las ubicaciones esperadas de las características

5.3 Mejores Prácticas de ROI para Segmentación

Hacer	No Hacer
Cubrir toda la superficie de inspección	Incluir objetos de fondo irrelevantes
Dejar espacio de margen alrededor de los bordes	Hacer que ROI sea demasiado pequeño para variación de características
Considerar variación de posicionamiento de la pieza	Solapar con fijaciones o utillaje
Probar con las características más grandes esperadas	Incluir áreas con marcas permanentes

5.4 Guardar Configuración de ROI

1. Verificar que ROI cubra todas las áreas objetivo
2. Haga clic en Save

Step 6: Etiquetar Datos de Entrenamiento

6.1 Navegar a Label And Train

Haga clic en "Label And Train" en el menú de migas de pan

6.2 Configurar Clase de Inspección

1. Haga clic en Edit bajo Inspection Types
2. Renombrar la clase para que coincida con su característica (p. ej., "Pencil Mark", "Surface Defect", "Spill Area")
3. Elegir el color de la clase para identificación visual
4. Guardar cambios

6.3 Capturar y Etiquetar Imágenes de Entrenamiento

Se necesita un mínimo de 10 imágenes etiquetadas, pero se recomienda de 15 a 20:

Proceso de Captura de Imagen

1. Coloque la primera pieza de prueba en el área de inspección
2. Tomar una imagen utilizando la interfaz de la cámara
3. Usar la herramienta Pincel para pintar sobre las características objetivo
4. Pintar con precisión:
   • Cubrir por completo el área de la característica
   • Mantenerse dentro de los límites de la característica
   • No pintar áreas de fondo
   • Usar un enfoque de etiquetado coherente
5. Haga clic en Save Annotations
6. Repita con la siguiente pieza

Buenas Prácticas de Etiquetado

Buen Etiquetado	Etiquetado Deficiente
Delimitaciones de características precisas	Pintura de bordes desordenada
Definición de características consistente	Criterios inconsistentes
Cobertura completa de características	Áreas de características ausentes
Fondo limpio (no pintado)	Pintado accidental del fondo

6.4 Variedad de Datos de Entrenamiento

Asegúrese de que su conjunto de entrenamiento incluya:

• Diferentes tamaños de características
• Diversas intensidades de características
• Múltiples ubicaciones dentro de ROI
• Diferentes condiciones de iluminación (si aplica)
• Casos límite y ejemplos limítrofes

6.5 Verificación de la Calidad de los Datos de Entrenamiento

1. Revisar todas las imágenes etiquetadas
2. Verificar un enfoque de etiquetado consistente
3. Eliminar cualquier ejemplo etiquetado incorrectamente
4. Agregar más ejemplos si es necesario

Paso 7: Entrenar el Modelo de Segmentación

7.1 Inicio del Proceso de Entrenamiento

1. Haga clic en Return to Live cuando se haya finalizado el etiquetado
2. Haga clic en Train Segmentation Model

7.2 Configurar Parámetros de Entrenamiento

1. Establecer el número de iteraciones:
   • Entrenamiento rápido: 50-100 iteraciones (5-10 minutos)
   • Calidad de producción: 200-500 iteraciones (15-30 minutos)
   • Alta precisión: 500+ iteraciones (30+ minutos)
2. Haga clic en Start Training

7.3 Monitorear Progreso del Entrenamiento

El progreso del entrenamiento muestra:

• Número de iteración actual
• Precisión de entrenamiento (%)
• Tiempo estimado de finalización

Controles de Entrenamiento:

• Abort Training: Detener si surgen problemas
• Finish Training Early: Detener cuando la precisión sea suficiente

tip

• La precisión del 85% suele ser adecuada para producción
• El entrenamiento se detiene automáticamente cuando se alcanza la precisión objetivo
• Más datos de entrenamiento suelen ser mejores que más iteraciones

Paso 8: Prueba del Rendimiento de Segmentación

8.1 Acceder a Live Preview

1. Haga clic en Live Preview después de que se complete el entrenamiento
2. Pruebe con varias piezas:
   • Piezas buenas conocidas (debería mostrar segmentación nula o mínima)
   • Piezas defectuosas conocidas (debería resaltar defectos)
   • Casos límite y ejemplos limítrofes

8.2 Evaluar Resultados

Verificar la calidad de la segmentación:

Métrica	Buen Rendimiento	Necesita Mejora
Precisión	Identifica características reales de forma consistente	Ignora características obvias
Precisión	Pocos falsos positivos	Muchas áreas de fondo resaltadas
Calidad de Bordes	Bordes limpios y precisos	Bordes irregulares o imprecisos
Consistencia	Resultados similares en pruebas repetidas	Resultados altamente variables

8.3 Solución de Problemas de Resultados Insatisfactorios

Problema	Causa probable	Solución
Faltan características	Datos de entrenamiento insuficientes	Agregar más ejemplos etiquetados
Falsos positivos	Iluminación/contraste deficientes	Mejorar los ajustes de imagen
Bordes irregulares	Calidad de imagen deficiente	Mejorar el enfoque/la iluminación
Resultados inconsistentes	Variedad de entrenamiento insuficiente	Agregar más ejemplos diversos

Paso 9: Configurar la Lógica de Aprobación/Fallo

9.1 Acceder al Bloque IO

1. Asegúrese de que el modelo de IA aparezca verde (estado entrenado)
2. Navegue al Bloque IO mediante el menú de migas de pan

9.2 Eliminar la Lógica Predeterminada

1. Eliminar el nodo 'Classification Block Logic'
2. Prepararse para construir una lógica de segmentación personalizada

9.3 Construir Flujo de Segmentación

Crear un flujo de Node-RED con los siguientes componentes:

1. Arrastre nodos desde el panel izquierdo:
   • Nodo Function (para la lógica)
   • Nodo Debug (para pruebas)
   • Nodo Final de Aprobación/Fallo
2. Conecte los nodos con cables

9.4 Configurar la Lógica Según Sus Necesidades

Opción A: Aprobado si No se Detectan Defectos

Caso de uso: Inspección de calidad donde cualquier característica detectada es un fallo

Código del Nodo Function:

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

Opción B: Aprobado solo si los Defectos Son Pequeños

Caso de uso: Aceptar defectos menores por debajo de un umbral de tamaño

Código del Nodo Function:

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;

Opción C: Aprobado si el Área Total de Defectos es Pequeña

Caso de uso: Aceptar piezas con área total de defectos limitada

Código del Nodo Function:

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;

9.5 Configurar el Nodo Function

1. Haga doble clic en el nodo Function
2. Copie el código apropiado de los ejemplos anteriores
3. Pego en la pestaña "On Message"
4. Ajuste los valores de umbral para su aplicación
5. Haga clic en Done

9.6 Desplegar y Probar la Lógica

1. Haga clic en Deploy para activar la lógica
2. Navegue a HMI para pruebas
3. Pruebe con piezas conocidas buenas y malas
4. Verifique que los resultados de Aprobado/Fallo coincidan con las expectativas

Paso 10: Validación de Producción

10.1 Pruebas Exhaustivas

Pruebe el sistema de segmentación con:

Caso de Prueba	Resultado Esperado	Acción si Falla
Piezas limpias	Aprobado (sin segmentación)	Ajustar umbrales o reentrenar
Defectos menores	Aprobado/Fallo según sus criterios	Refinar los parámetros de la lógica
Defectos mayores	Fallo (segmentación clara)	Verifique la precisión del modelo
Casos límite	Comportamiento consistente	Añadir datos de entrenamiento

10.2 Validación de Desempeño

Monitoree estas métricas:

• Tiempo de procesamiento por inspección
• Consistencia entre múltiples pruebas
• Precisión con iluminación de producción
• Fiabilidad durante operación extendida

10.3 Ajustes Finales

Si el rendimiento no es satisfactorio:

1. Agregar más datos de entrenamiento para casos límite
2. Ajustar los valores de umbral en la lógica
3. Mejorar las condiciones de imagen
4. Reentrenar el modelo con iteraciones adicionales

¡Éxito! Su sistema de segmentación está listo

Ahora tiene un sistema de segmentación operativo que puede:

• Detectar automáticamente características o defectos específicos
• Medir áreas con precisión a nivel de píxel
• Aplicar una lógica de aprobación/fallo personalizada según sus requisitos
• Integrar con sistemas de producción mediante controles I/O

Opciones Avanzadas de Configuración

Lógica de Umbrales Personalizados

Para criterios de aceptación complejos, combine varias condiciones:

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