Usando el Segmenter

Este tutorial le guiará a través de crear una inspección de segmentación completa utilizando las capacidades de segmentación impulsadas por IA del OV20i. 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 a píxel.

Video Guide

Ver este tema en acción: Cómo crear una receta de segmentación en minutos

nota

OV10i no tiene capacidades de segmentación.

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 aceptación y rechazo basada en los resultados de la segmentación
• Cómo optimizar el rendimiento de la segmentación para uso en producción

Aplicación en el mundo real: Este tutorial utiliza la detección de marcas de lápiz como ejemplo, pero los mismos principios se aplican para detectar arañazos, grietas, contaminación, o cualquier otra característica que pueda distinguirse visualmente.

Prerrequisitos

• Sistema de cámara OV20i configurado y conectado
• Piezas de muestra con las características que desea detectar (p. ej., láminas con marcas de lápiz)
• Comprensión básica de conceptos de entrenamiento de IA
• Acceso a Recipe Editor 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 de papel y determinar aprobación o rechazo basado en la cantidad de marcas detectadas.

Tiempo estimado: 45-60 minutos (incluye el tiempo de entrenamiento)

Habilidades adquiridas: Entrenamiento de modelos de IA, anotación de segmentación, configuración de la lógica de aceptación y 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 "Segmentation" desde el 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 identifica y mide características específicas dentro de una imagen, lo que la hace ideal 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 "Inactiva"
2. Seleccione "Activar" a la derecha de la receta

3. Haga clic en "Activar y ir al editor" para confirmar e iniciar 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.

Paso 2: Configurar la Imagen de la Cámara

2.1 Acceder a los Ajustes de Imagen

1. En el Editor de Recetas, haga clic en "Configurar Imagen" en la esquina inferior izquierda
2. Esto abre la página de configuración de imagen donde optimizará los ajustes de la cámara

2.2 Optimizar Ajustes de Enfoque

1. Coloque una hoja de muestra con marcas de lápiz en el campo de visión de la cámara
2. Utilice el deslizador de Enfoque para lograr un enfoque nítido en las marcas de lápiz
3. También puede ingresar manualmente el valor de Enfoque para mayor precisión
4. Utilice la Vista de Enfoque (si está disponible) para ver resaltado de bordes y la puntuación de enfoque

Consejos de Enfoque:

• Enfóquese en la superficie donde aparecerán defectos
• Asegúrese de que las marcas de lápiz se vean nítidas y bien definidas
• Una puntuación de enfoque más alta indica una mejor calidad de enfoque

2.3 Configurar Ajustes de Exposición

1. Ajuste el deslizador de Exposición para lograr un brillo adecuado
2. Las marcas de lápiz deben verse claramente sin sobreexponer el papel
3. Comience con la configuración automática y ajuste fino según sea necesario
4. Monitoree la vista previa en vivo para ver los cambios en tiempo real

Directrices de Exposición:

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

2.4 Configurar Iluminación LED

1. Seleccione el Patrón de Luz LED adecuado para su aplicación
2. Para las marcas de lápiz, una iluminación uniforme suele funcionar mejor
3. Ajuste la Intensidad de Luz LED para minimizar sombras y deslumbramiento
4. Pruebe diferentes patrones si las reflexiones son un problema

2.5 Ajustar Gamma y Contraste

1. Ajuste fino de la Gamma para realzar 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 la gamma para optimizar tanto la visibilidad de defectos como la claridad del fondo

2.6 Guardar Configuraciones de Imagen

1. Una vez que todos los ajustes estén optimizados, haga clic en "Guardar Configuraciones de Imagen"
2. La configuración de su cámara ya está guardada para esta receta
3. La vista previa en vivo debe mostrar imágenes claras y con buen contraste

Punto de Verificación: Tu cámara debe producir imágenes claras en las que las marcas de lápiz sean fácilmente distinguibles del fondo del papel.

Step 3: Configurar Plantilla y Alineación

3.1 Navegar a Template Image and Alignment

1. Haga clic en el Nombre de la Receta en el menú de migas de pan para volver al Editor de Recetas
2. Seleccione "Template Image and Alignment" del menú

3.2 Omitir Alineador para Este Tutorial

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

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

Step 4: Configurar la Región de Inspección

4.1 Navegar a Inspection Setup

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

4.2 Configurar Región de Interés (ROI)

1. Verá una vista previa del campo de visión de su cámara
2. Arrastre las esquinas de la caja ROI para ajustar su tamaño y posición
3. Para la detección de marcas de lápiz, normalmente cubra toda el área de la hoja
4. Asegúrese de que el ROI abarque todas las áreas donde pueden aparecer marcas de lápiz

Mejores Prácticas de ROI:

• Incluir todas las áreas donde podrían ocurrir defectos
• Excluir áreas como bordes o fondos que no deben ser analizados
• Asegúrese de que el ROI sea lo suficientemente grande para capturar variaciones en la posición de las piezas
• Evite incluir texto, logotipos u otras marcas esperadas

4.3 Guardar Configuración de ROI

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

Paso 5: Etiquetar y Entrenar su Modelo

5.1 Navegue a "Label and Train"

1. Regrese al Editor de Recetas y seleccione "Label and Train"
2. Este es el lugar donde enseñará a la AI 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. Take at least 10 images 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 que encontrará
• Incluya áreas limpias sin marcas en cada imagen
• Asegúrese de que las imágenes representen 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 minucioso en sus anotaciones
4. Haga clic en "Save Annotations" después de completar cada imagen

Buenas 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
• Use trazos de pincel firmes y cuidadosos para límites precisos

5.5 Revise sus Anotaciones

1. Double-check all labeled images para asegurar la precisión
2. Busque marcas omitidas o áreas etiquetadas incorrectamente
3. Re-annotar cualquier imagen que necesite corrección
4. Anotaciones de calidad conducen a 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 generalmente mejoran la precisión, pero toman más tiempo
• Supervise el progreso del entrenamiento y ajuste según sea necesario
• Equilibre los requisitos de precisión con el tiempo de entrenamiento

6.2 Monitorear Progreso del Entrenamiento

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

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 terminará automáticamente cuando se alcance la precisión objetivo
• Porcentajes de precisión más altos indican un mejor rendimiento del modelo
• Si la precisión se estanca, puede necesitar más datos de entrenamiento

6.4 Evaluar Resultados de Entrenamiento

1. Cuando termine el entrenamiento, revise la precisión final
2. Haga clic en "Live Preview" para ver los 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 resaltan en el color que elija
• Las áreas limpias permanecen sin marcar
• La detección es consistente entre diferentes tipos de marcas
• El modelo responde bien a muestras nuevas no vistas

Paso 7: Configurar la Lógica de Pass/Fail

7.1 Navegar al IO Block

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. Eliminar el nodo de Lógica del Bloque de Clasificación existente
2. Desde la paleta izquierda, arrastre los siguientes elementos:
   • All Block Outputs nodo (si no está ya presente)
   • Function nodo
   • Final Pass/Fail nodo
3. Conecte los nodos: All Block Outputs → Function → Final Pass/Fail

7.3 Configurar la Lógica de 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 láminas limpias (debería aprobar)
• Pruebe con láminas ligeramente marcadas (debería aprobar/reprobar según sus criterios)
• Pruebe con láminas fuertemente marcadas (debería fallar)
• Verifique que los resultados coincidan con sus expectativas

Paso 8: Optimizar y Validar

8.1 Probar con Muestras de Producción

1. Ejecute múltiples 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 inconsistente:

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

Si es necesario ajustar la lógica de Pass/Fail:

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

8.3 Validación en Producción

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

Paso 9: Comprender los Resultados de Segmentación

9.1 Estructura de Datos de Segmentación

Sus resultados de segmentación incluyen:

• Blobs: Materiales detectados individuales (marcas de lápiz)
• Pixel Count: Tamaño de cada característica detectada
• Location Data: Dónde se encontraron las características
• Confidence Scores: Cuánto confía el modelo en cada detección

9.2 Usando Datos de Segmentación

Puede crear lógicas de pase/fallo sofisticadas basadas en:

• Number of defects detectados
• Size of individual defects (conteo de píxeles)
• Total defect area (suma de todos los conteos de píxeles)
• Defect location (dónde aparecen los defectos)
• Defect shape characteristics (si es necesario para aplicaciones avanzadas)

¡Éxito! Su modelo de segmentación está completo

La inspección de segmentación OV20i ahora puede:

✅ Automatically detect pencil marks (o sus características específicas) en imágenes

✅ Measure the size and quantity de las características detectadas

✅ Make pass/fail decisions basadas en sus criterios específicos

✅ Provide detailed information sobre cada característica detectada

✅ Adapt to variations en el tamaño de las marcas, su forma y su posición

Puntos clave

Segmentation vs. Classification:

• Segmentation encuentra y mide características específicas dentro de las imágenes
• Classification identifica objetos enteros o condiciones generales
• Use segmentation para la detección de defectos, análisis de contaminación o medición de cobertura

Prácticas recomendadas de entrenamiento:

• Las anotaciones de calidad son más importantes que la cantidad
• Incluya ejemplos diversos en su conjunto de entrenamiento
• Pruebe exhaustivamente con muestras de producción
• Monitoree y reentrene según sea necesario

Lógica de Pase/Fallo:

• Comience con criterios simples y agregue complejidad según sea necesario
• Pruebe la lógica con casos límite y muestras ambiguas
• documente sus criterios para mantener la consistencia
• Considere múltiples factores para decisiones robustas

Siguientes pasos

Ahora que ha completado su primer modelo de segmentación:

1. Aplicar a otros casos de uso - Intente detectar diferentes tipos de defectos o características
2. Integrar con sistemas de producción - Conéctese a PLCs o sistemas de gestión de calidad
3. Configurar la recopilación de datos - Realice un seguimiento de métricas de rendimiento y estadísticas de detección
4. Formar a los operadores - Asegúrese de que el equipo entienda cómo monitorear y mantener el sistema
5. Planificar el mantenimiento - Programe actualizaciones periódicas del modelo y revisiones de rendimiento

🔗 Ver también

• Entrenar un Segmenter
• Clasificador vs Segmenter
• Usando un Clasificador (Ejemplo de ROI único)
• Fundamentos de Node-RED
• Bloques personalizados de Overview Node-RED