Usando el Segmenter

Este tutorial lo guiará para crear una inspección de segmentación completa utilizando las capacidades de segmentación impulsadas por IA del OV80i. Aprenderá a detectar y analizar características específicas como marcas de lápiz, arañazos u otros defectos enseñando a la cámara a identificar y medir estas características píxel por píxel.

Lo que aprenderá:

• Cómo configurar una receta de segmentación de principio a fin
• Cómo entrenar un modelo de IA para reconocer características específicas
• Cómo configurar la lógica de aprobación/rechazo basada en los resultados de segmentación
• Cómo optimizar el rendimiento de segmentación para uso en producción

Aplicación del mundo real: Este tutorial utiliza la detección de marcas de lápiz como ejemplo, pero los mismos principios se aplican para detectar arañazos, grietas, contaminación u otras características que puedan distinguirse visualmente.

Prerrequisitos

• Sistema de cámara OV80i instalado y conectado
• Muestras de piezas con las características que desea detectar (p. ej., hojas con marcas de lápiz)
• Comprensión básica de conceptos de entrenamiento de IA
• Acceso al Editor de Recetas y a la funcionalidad de Node-RED

Descripción general del tutorial

Lo que construiremos: Un modelo de segmentación que puede detectar marcas de lápiz en hojas y determinar aprobación/rechazo en función de la cantidad de marcas detectadas.

Tiempo requerido: 45-60 minutos (incluido el tiempo de entrenamiento)

Habilidades adquiridas: Entrenamiento de modelos de IA, anotación de segmentación, configuración de la lógica de aprobación/rechazo

Paso 1: Crear una Nueva Receta de Segmentación

1.1 Iniciar una Nueva Receta

1. Desde la página Todas las Recetas, haga clic en "+ Nueva" en la esquina superior derecha
2. Aparecerá el cuadro de diálogo Agregar una Nueva Receta
3. Ingrese un Descriptivo Nombre para su receta (p. ej., "Pencil_Mark_Detection")
4. Seleccione "Segmentación" del menú desplegable Tipo de Receta
5. Haga clic en "OK" para crear la nueva receta

¿Por qué Segmentación? A diferencia de la clasificación, que identifica objetos completos, la segmentación encuentra y mide características específicas dentro de una imagen, lo que la hace perfecta para la detección de defectos, análisis de contaminación o medir áreas de cobertura.

1.2 Activar y Abrir el Editor de Recetas

1. Su nueva receta aparecerá en la página Todas las Recetas marcada como "Inactivo"
2. Seleccione "Activar" a la derecha de la receta

3. Haga clic en "Activar y ir al editor" para confirmar y lanzar el editor de recetas

Punto de control: Debería ver la interfaz del Editor de Recetas con el nombre de su receta de segmentación en el menú de migas.

2.3 Configurar Ajustes de Exposición

1. Ajuste el control deslizante de Exposure para lograr un brillo adecuado
2. Las marcas de lápiz deben verse claramente sin sobreexponer el papel
3. Comience con los ajustes automáticos y ajuste finamente según sea necesario
4. Monitoree la vista previa en vivo para ver los cambios en tiempo real

Exposure Guidelines:

• Las marcas de lápiz deben tener buen contraste con el papel
• Evite la sobreexposición que borre marcas sutiles
• Asegure una iluminación consistente en toda el área de inspección

2.4 Configurar Iluminación LED

1. Seleccione LED Light Pattern adecuado para su aplicación
2. Para marcas de lápiz, la iluminación uniforme suele funcionar mejor
3. Ajuste LED Light Intensity para minimizar sombras y deslumbramiento
4. Pruebe diferentes patrones si hay reflejos

2.5 Ajustar Gamma y Contraste

1. Realice un ajuste fino de Gamma para aumentar el contraste entre las marcas y el fondo
2. Un gamma más alto puede hacer que las marcas de lápiz sutiles sean más visibles
3. Un gamma más bajo puede reducir el ruido en áreas limpias
4. Equilibre el gamma para optimizar tanto la visibilidad de defectos como la claridad del fondo

2.6 Guardar Configuración de Imagen

1. Una vez que todos los ajustes estén optimizados, haga clic en "Save Imaging Settings"
2. La configuración de la cámara ya está guardada para esta receta
3. La vista previa en vivo debería mostrar imágenes claras y con buen contraste

Checkpoint: Su cámara debe producir imágenes claras en las que las marcas de lápiz sean fácilmente distinguibles del fondo del papel.

Paso 3: Configurar Plantilla y Alineación

3.1 Navegar a Template Image and Alignment

1. Haga clic en Recipe Name en el menú de migas para volver al Recipe Editor
2. Seleccione "Template Image and Alignment" del menú

3.2 Omita "Skip Aligner" para este tutorial

1. Dado que estamos detectando características en toda la hoja, haga clic en "Skip Aligner"
2. Esto desactiva el alineamiento basado en la posición y utiliza la imagen completa
3. Haga clic en "Save" para aplicar los cambios

Cuándo usar Aligner: Habilite el aligner cuando necesite detectar características en ubicaciones específicas de piezas que pueden moverse o girar. Para una inspección de hoja completa como las marcas de lápiz, omitir el aligner suele ser apropiado.

Paso 4: Configurar la Región de Inspección

4.1 Navegar a Inspection Setup

1. Regrese al Recipe Editor y seleccione "Inspection Setup"
2. Aquí definirá qué área de la imagen analizar

4.2 Configurar Región de Interés (ROI)

1. Verá una vista previa del campo de visión de la cámara
2. Drag the corners of the ROI box to adjust its size and position
3. Para la detección de marcas de lápiz, normalmente cubra toda el área de la hoja
4. Asegúrese de que la ROI abarque todas las áreas donde podrían aparecer marcas de lápiz

ROI Best Practices:

• Incluya todas las áreas donde podrían ocurrir defectos
• Excluya áreas como bordes o fondos que no deben analizarse
• Asegúrese de que la ROI sea lo suficientemente grande para capturar variaciones en el posicionamiento de la pieza
• Evite incluir texto, logotipos u otras marcas esperadas

4.3 Guardar Configuración de ROI

1. Una vez que su ROI esté posicionado correctamente, haga clic en "Save"
2. El área de inspección está ahora definida para su modelo de segmentación

Paso 5: Etiquetar y Entrenar su Modelo

5.1 Navegar a Label and Train

1. Regrese al Editor de Recetas y seleccione "Label and Train"
2. Aquí es donde enseñará a la IA cómo se ven las marcas de lápiz

5.2 Configurar Clase de Inspección

1. Bajo Inspection Types, haga clic en "Edit"
2. Cambie el nombre de la clase a "Pencil Mark" (o su tipo de defecto específico)
3. Elija un color distintivo para visualizar las marcas detectadas
4. Haga clic en "Save" para aplicar los cambios

5.3 Capturar Imágenes de Entrenamiento

1. Tome al menos 10 imágenes de hojas con diferentes marcas de lápiz
2. Varíe los ejemplos de entrenamiento:
   • Diferentes tamaños y formas de marcas de lápiz
   • Marcas claras y oscuras
   • Varias posiciones en la hoja
   • Diferentes densidades de marcas

Consejos para Imágenes de Entrenamiento:

• Incluya marcas sutiles y evidentes
• Capture diversas condiciones de iluminación a las que se enfrentará
• Incluya áreas limpias sin marcas en cada imagen
• Asegúrese de que las imágenes representen las condiciones de producción

5.4 Anotar Imágenes de Entrenamiento

1. Para cada imagen de entrenamiento, use la Brush tool para trazar sobre las marcas de lápiz
2. Pinte solo las marcas de lápiz - evite marcar el papel u otras características
3. Sea preciso pero exhaustivo en sus anotaciones
4. Haga clic en "Save Annotations" después de completar cada imagen

Mejores Prácticas de Anotación:

• Sea consistente en lo que etiqueta como "pencil marks"
• Incluya marcas completas, no solo partes de ellas
• No etiquete marcas esperadas como texto o logotipos
• Utilice trazos de pincel firmes y cuidadosos para límites precisos

5.5 Revisión de Sus Anotaciones

1. Verifique todas las imágenes etiquetadas para garantizar la precisión
2. Busque marcas faltantes o áreas etiquetadas incorrectamente
3. Vuelva a etiquetar cualquier imagen que necesite corrección
4. Las anotaciones de calidad conducen a un mejor rendimiento del modelo

Paso 6: Entrenar el Modelo de Segmentación

6.1 Iniciar el Proceso de Entrenamiento

1. Una vez que haya etiquetado al menos 10 imágenes, haga clic en "Return to Live"
2. Haga clic en "Train Segmentation Model"
3. Ingrese el Number of Iterations para el entrenamiento

Directrices de Iteración:

• Comience con 100-200 iteraciones para el entrenamiento inicial
• Más iteraciones en general mejoran la precisión, pero tardan más
• Monitoree el progreso del entrenamiento y ajuste según sea necesario
• Equilibre los requisitos de precisión con el tiempo de entrenamiento

6.2 Monitorear Progreso de Entrenamiento

1. Haga clic en "Start Training" para iniciar el proceso
2. Aparecerá un modal de progreso de entrenamiento que mostrará:
   • Número de iteración actual
   • Porcentaje de precisión de entrenamiento
   • Tiempo estimado restante

6.3 Opciones de Control de Entrenamiento

Durante el entrenamiento, puede:

• Abort Training - Deténgase si necesita hacer cambios
• Finish Training Early - Deténgase cuando la precisión sea suficiente
• Monitor Progress - Observe cómo la precisión mejora a lo largo de las iteraciones

Consejos de Entrenamiento:

• El entrenamiento se completará automáticamente cuando se alcance la precisión objetivo
• Un mayor porcentaje de precisión indica un mejor rendimiento del modelo
• Si la precisión se estanca, es posible que necesite más datos de entrenamiento

6.4 Resultados de la Evaluación del Entrenamiento

1. Cuando finalice el entrenamiento, revise la precisión final
2. Haga clic en "Live Preview" para ver resultados de segmentación en tiempo real
3. Pruebe con muestras nuevas para verificar el rendimiento del modelo

Indicadores de éxito:

• Las marcas de lápiz se destacan en el color elegido
• Las áreas limpias permanecen sin marcar
• La detección es consistente para diferentes tipos de marcas
• El modelo responde bien a muestras nuevas no vistas

Paso 7: Configurar la Lógica Pass/Fail

7.1 Navegar al Bloque IO

1. Regrese al Editor de Recetas y haga clic en "Configure I/O" o seleccione "IO Block" desde el menú de migas de pan

7.2 Configurar Flujo de Node-RED

1. Delete the existing Classification Block Logic nodo
2. Desde la paleta izquierda, arrastre:
   • All Block Outputs nodo (si no está presente)
   • Function nodo
   • Final Pass/Fail nodo
3. Conecte los nodos: All Block Outputs → Function → Final Pass/Fail

7.3 Configurar la Lógica Pass/Fail

Haga doble clic en el nodo Function y elija uno de estos ejemplos de lógica:

Opción 1: Aprobado si no se detectan defectos

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

Opción 2: Aprobado si todas las marcas son pequeñas

// Pass if all marks are smaller than threshold
const threshold = 500; // pixels
const allBlobs = msg.payload.segmentation.blobs;
const allUnderThreshold = allBlobs.every(blob => blob.pixel_count < threshold);
msg.payload = allUnderThreshold;
return msg;

Opción 3: Aprobado si la cobertura total es baja

// Pass if total marked area is below threshold
const threshold = 5000; // total pixels
const allBlobs = msg.payload.segmentation.blobs;
const totalArea = allBlobs.reduce((sum, blob) => sum + blob.pixel_count, 0);
msg.payload = totalArea < threshold;
return msg;

7.4 Desplegar y Probar la Lógica

1. Haga clic en "Done" para guardar la función
2. Haga clic en "Deploy" para activar la lógica
3. Navegue a HMI para probar su lógica de pass/fail

Pruebas de Su Lógica:

• Pruebe con hojas limpias (debe pasar)
• Pruebe con hojas ligeramente marcadas (debe pasar/fallar según sus criterios)
• Pruebe con hojas fuertemente marcadas (debe fallar)
• Verifique que los resultados coincidan con sus expectativas

Paso 8: Optimizar y Validar

8.1 Prueba con Muestras de Producción

1. Ejecute varias muestras de prueba a través de su inspección
2. Verifique que la precisión de detección cumpla con sus requisitos
3. Verifique que la lógica de Pass/Fail funcione correctamente
4. Documente cualquier problema o caso límite

8.2 Afinar el Rendimiento del Modelo

Si la detección es inconsistent:

• Agregue más imágenes de entrenamiento con ejemplos variados
• Mejore la calidad y consistencia de las anotaciones
• Ajuste la configuración de la imagen para un mejor contraste
• Reentrene con iteraciones adicionales

Si la lógica de Pass/Fail necesita ajuste:

• Modifique los valores de umbral en su función de Node-RED
• Pruebe diferentes enfoques de lógica
• Considere múltiples criterios para decisiones complejas
• Valide con los requisitos de producción

8.3 Validación de Producción

1. Pruebe con piezas de producción reales en condiciones reales
2. Valide con el equipo de calidad para asegurar que los criterios coincidan con los requisitos
3. Documente métricas de rendimiento como la precisión de detección y las tasas de falsos positivos
4. Configure monitoreo para rastrear el rendimiento a lo largo del tiempo

Paso 9: Comprendiendo los resultados de segmentación

9.1 Estructura de datos de segmentación

Sus resultados de segmentación incluyen:

• Blobs: Características detectadas individuales (marcas de lápiz)
• Pixel Count: Tamaño de cada característica detectada
• Location Data: Dónde se encontraron las características
• Confidence Scores: Cuánto confidence tiene el modelo sobre cada detección

9.2 Usando datos de segmentación

Puede crear lógica sofisticada de aceptación/rechazo basada en:

• Number of defects detected
• Size of individual defects (Pixel Count)
• Total defect area (suma de todos los Pixel Count)
• Defect location (dónde aparecen los defectos)
• Defect shape characteristics (si se requieren para aplicaciones avanzadas)

Éxito! Su modelo de segmentación está completo

La inspección de segmentación de OV80i ahora puede:

✅ Detectar automáticamente pencil marks (o sus características específicas) en imágenes

✅ Medir el tamaño y la cantidad de las características detectadas

✅ Tomar decisiones de aceptación/rechazo basadas en criterios específicos

✅ Proporcionar información detallada sobre cada característica detectada

✅ Adaptarse a variaciones en el tamaño, forma y posición de las marcas

Conclusiones clave

Segmentación vs. Clasificación:

• La segmentación identifica y mide características específicas dentro de las imágenes
• La clasificación identifica objetos completos o condiciones generales
• Utilice la segmentación para la detección de defectos, análisis de contaminación o medición de cobertura

Mejores prácticas de entrenamiento:

• Las anotaciones de calidad son más importantes que la cantidad
• Incluir ejemplos diversos en su conjunto de entrenamiento
• Probar exhaustivamente con muestras de producción
• Supervisar y volver a entrenar según sea necesario

Lógica de Aceptación/Rechazo:

• Comience con criterios simples y añada complejidad según sea necesario
• Probar la lógica con casos límite y muestras en los bordes
• Documente sus criterios para mantener la consistencia
• Considere múltiples factores para decisiones robustas

Próximos pasos

Ahora que ha completado su primer modelo de segmentación:

1. Aplicar a otros casos de uso - Tratar de detectar diferentes tipos de defectos o características
2. Integrarlo con sistemas de producción - Conectar a PLCs o sistemas de gestión de calidad
3. Configurar la recopilación de datos - Rastrear métricas de rendimiento y estadísticas de detección
4. Capacitar a los operadores - Asegurar que el equipo entienda cómo supervisar y mantener el sistema
5. Planificar el mantenimiento - Programar actualizaciones de modelo y revisiones de rendimiento

🔗 Ver también

• Train a Segmenter
• Classifier vs Segmenter
• Using a Classifier (Single-ROI Example)
• Node-RED Basics
• Overview Node-RED Custom Blocks