Usando el Segmenter

Este tutorial lo guiará para 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, rayaduras u otros defectos enseñando a la cámara a identificar y medir estas características píxel por píxel.

nota

Ov10i no tiene capacidades de segmentación.

Qué 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 aprobado/rechazo basada en los resultados de 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 rayaduras, grietas, contaminación u otras características que se puedan distinguir 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)
• Conocimientos básicos sobre 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 pueda detectar marcas de lápiz en hojas de papel y determine aprobación o rechazo según la cantidad de marcado detectado.

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

Habilidades aprendidas: 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 Receta" en la esquina superior derecha
2. Aparecerá el cuadro de diálogo Agregar Una Nueva Receta
3. Ingrese un nombre descriptivo para su receta (p. ej., "Pencil_Mark_Detection")
4. Seleccione "Segmentación" 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 encuentra y mide características específicas dentro de una imagen, lo que la hace ideal para la detección de defectos, análisis de contaminación o medición de áreas de cobertura.

1.2 Activa su Receta

1. Su nueva receta aparecerá en la página Todas las Recetas marcada como "Inactivo"
2. Seleccione Acciones > Activar a la derecha de la receta
3. Haga clic en "Activar" para confirmar
4. El estado de la receta cambiará a "Activo"

1.3 Abrir el Editor de Recetas

1. Haga clic en "Editar" junto a su receta activa
2. Haga clic en "Abrir Editor" para confirmar
3. Ahora estará en el Editor de Recetas con su receta de segmentación

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

Paso 2: Configurar la Imagen de la Cámara

2.1 Acceder a la Configuración 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 imágenes, donde optimizará los ajustes de la cámara

2.2 Optimizar Configuraciones de Enfoque

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

Consejos de Enfoque:

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

2.3 Configurar los Ajustes de Exposición

1. Ajuste el deslizador Exposure para lograr un brillo adecuado
2. Las marcas de lápiz deben ser claramente visibles sin sobreexponer el papel
3. Comience con configuraciones automáticas 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 buen contraste contra el papel
• Evite la sobreexposición que desdibuje marcas sutiles
• Asegure una iluminación consistente en toda el área de inspección

2.4 Configurar la Iluminación LED

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

2.5 Ajustar Gamma y Contraste

1. Afinar el Gamma para realzar el contraste entre las marcas y el fondo
2. Un Gamma más alto puede hacer que las marcas sutiles de lápiz 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 Configuraciones de Imagen

1. Una vez que todas las configuraciones estén optimizadas, haga clic en "Guardar Configuraciones de Imagen"
2. Su configuración de la cámara ya está guardada para esta receta
3. La vista previa en vivo debe mostrar imágenes claras y con buen contraste

Punto de control: Su cámara debe producir imágenes claras en las que las marcas de lápiz se distingan fácilmente del fondo del papel.

Paso 3: Configurar Plantilla y Alineación

3.1 Navegar a Plantilla de Imagen y Alineación

1. Haga clic en el Nombre de Receta en el menú de migas 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 "Guardar" para aplicar los cambios

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

Paso 4: Configurar la Región de Inspección

4.1 Navegar a Configuración de Inspección

1. Regrese al Editor de Recetas y seleccione "Inspección 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. 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 la ROI abarque todas las áreas donde podrían aparecer marcas de lápiz

Prácticas recomendadas de ROI:

• Incluya todas las áreas donde podrían ocurrir defectos
• Excluya áreas como bordes o fondos que no deban ser analizados
• Asegúrese de que el ROI sea lo suficientemente grande para capturar variaciones en la posicion 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 "Guardar"
2. El área de inspección ahora está definida para su modelo de segmentación

Paso 5: Etiquetar y Entrenar Su Modelo

5.1 Ir a Etiquetar y Entrenar

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

5.2 Configurar Clase de Inspección

1. Bajo Tipos de Inspección, haga clic en "Editar"
2. Renombre 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 "Guardar" 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:

• Incluir marcas sutiles y obvias
• Capturar diversas condiciones de iluminación que encontrará
• Incluir áreas limpias sin marcas en cada imagen
• Asegurarse de que las imágenes representen las condiciones de producción

5.4 Anotar Imágenes de Entrenamiento

1. Para cada imagen de entrenamiento, use la herramienta Pincel 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 "Guardar Anotaciones" después de completar cada imagen

Buenas Prácticas de Anotación:

• Sea consistente en lo que etiqueta como marcas de lápiz
• 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. Verifique dos veces todas las imágenes etiquetadas para garantizar la exactitud
2. Busque marcas omitidas o áreas etiquetadas incorrectamente
3. Vuelva a anotar 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 Proceso de Entrenamiento

1. Una vez que haya etiquetado al menos 10 imágenes, haga clic en "Regresar a En Vivo"
2. Haga clic en "Entrenar Modelo de Segmentación"
3. Ingrese el Número de Iteraciones para el entrenamiento

Guía de Iteración:

• Comience con 100-200 iteraciones para el entrenamiento inicial
• Más iteraciones generalmente mejoran la precisión, pero requieren más tiempo
• Monitoree 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 "Iniciar Entrenamiento" para comenzar el proceso
2. Aparecerá un modal de progreso de entrenamiento que mostrará:
   • Número de iteración actual
   • Porcentaje de precisión de entrenamiento
   • Tiempo restante estimado

6.3 Opciones de Control del Entrenamiento

Durante el entrenamiento, puede:

• Cancelar Entrenamiento - Detenga si necesita realizar cambios
• Finalizar el entrenamiento temprano - Detenga cuando la precisión sea suficiente
• Monitorear Progreso - Observe cómo la precisión mejora a lo largo de las iteraciones

Consejos de Entrenamiento:

• El entrenamiento finalizará automáticamente cuando se alcance la precisión objetivo
• Un mayor porcentaje de precisión indica un mejor rendimiento del modelo
• Si la precisión se estanca, puede necesitar más datos de entrenamiento

6.4 Evaluar Resultados de 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 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 a IO Block

1. Regrese al Editor de Recetas y seleccione "IO Block"
2. Asegúrese de que todos los AI Blocks aparezcan como "trained (green)" antes de continuar
3. Haga clic en "Configure I/O" para ingresar al editor Node-RED

7.2 Configurar Flujo de Node-RED

1. Eliminar el nodo existente de Classification Block Logic
2. Desde la paleta izquierda, arrastre los siguientes:
   • 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 de Pass/Fail

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

Opción 1: Pasar 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: Pasar 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: Pasar 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

Prueba de su Lógica:

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

Paso 8: Optimizar y Validar

8.1 Pruebas 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 extremo

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 la lógica de pass/fail necesita ajustes:

• 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. Prueba con piezas de producción reales en condiciones reales
2. Validar con el equipo de calidad para asegurar que los criterios cumplan con los requisitos
3. Documentar métricas de rendimiento como precisión de detección y tasas de falsos positivos
4. Configurar monitoreo para hacer seguimiento del rendimiento a lo largo del tiempo

Paso 9: Comprensión de 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: Cuán confiado está el modelo en cada detección

9.2 Uso de Datos de Segmentación

Puede crear lógica sofisticada de paso/fallo basada en:

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

¡Éxito! Su modelo de segmentación está completo

Su inspección de segmentación OV20i puede ahora:

✅ Detectar automáticamente marcas de lápiz (u otras características específicas) en las imágenes

✅ Medir el tamaño y la cantidad de las características detectadas

✅ Tomar decisiones de aprobado/rechazo basadas en sus criterios específicos

✅ Proporcionar información detallada sobre cada característica detectada

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

Puntos Clave

Segmentación vs. Clasificación:

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

Buenas prácticas de entrenamiento:

• Las anotaciones de calidad son más importantes que la cantidad
• Incluir ejemplos diversos en su conjunto de entrenamiento
• Probar minuciosamente con muestras de producción
• Monitorear y reentrenar según sea necesario

Lógica de Aprobación/Rechazo:

• Comience con criterios simples y agregue complejidad según sea necesario
• Pruebe la lógica con casos límite y muestras limítrofes
• 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 - Intente detectar diferentes tipos de defectos o características
2. Integrar con sistemas de producción - Conéctese a PLCs o sistemas de gestión de la calidad
3. Configurar la recopilación de datos - Registrar métricas de rendimiento y estadísticas de detección
4. Formar a los operadores - Asegúrese de que el equipo entienda cómo supervisar y mantener el sistema
5. Planificar el mantenimiento - Programar actualizaciones regulares del modelo y revisiones de rendimiento

🔗 Véase también

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