Saltar al contenido principal

Usando el Segmenter

Este tutorial lo guiará a través de la creación de una inspección de segmentación completa que utilice las capacidades de segmentación impulsadas por IA del OV20i. Aprenderá a detectar y analizar características específicas como marcas de lápiz, rayas u otros defectos enseñando a la cámara a identificar y medir estas características píxel por píxel.

nota

OV10i no tiene capacidades de segmentación.

Lo que aprenderá:

  • Cómo configurar una receta de segmentación desde el inicio hasta el final
  • Cómo entrenar un modelo de IA para reconocer características específicas
  • Cómo configurar la lógica de pasa/falla basada en los resultados de segmentación
  • Cómo optimizar el rendimiento de la segmentación para su uso en producción

Aplicación en el mundo real: Este tutorial usa la detección de marcas de lápiz como ejemplo, pero los mismos principios se aplican a la detección de rayas, 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 de conceptos de entrenamiento de IA
  • Acceso al Editor de Recetas y a la funcionalidad de Node-RED

Resumen del tutorial​

Qué construiremos: un modelo de segmentación que puede detectar marcas de lápiz en láminas de papel y determinar paso/fallo basado en 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 paso/fallo

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 la ventana modal Agregar 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 enteros, 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 las áreas de cobertura.

image.png

1.2 Activar y Abrir el Editor de Recetas​

  1. Tu nueva receta aparecerá en la página Todas las Recetas marcada como "Inactive"
  2. Selecciona "Activate" a la derecha de la receta

Activate button.png

  1. Haz clic en "Activate and go to 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 breadcrumb.

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 "Configure Imaging" en la esquina inferior izquierda
  2. Esto abrirá la página de configuración de la imagen donde optimizará los ajustes de la cámara

image.png

2.2 Optimizar los Ajustes de Enfoque​

  1. Coloque una hoja de muestra con marcas de lápiz en el campo de visión de la cámara
  2. Utilice el control deslizante 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. Use Focus View (si está disponible) para ver el resaltado de bordes y la puntuación de enfoque

Consejos de Enfoque:

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

2.3 Configurar Ajustes de Exposición​

  1. Ajuste el Exposure slider para lograr el brillo adecuado
  2. Las marcas de lápiz deben ser claramente visibles sin sobreexponer el papel
  3. Comience con ajustes automáticos y afínelos según sea necesario
  4. Monitoree la vista previa en vivo para ver 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 Iluminación LED​

  1. Seleccione el apropiado LED Light Pattern para su aplicación
  2. Para las 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. Afine 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 Gamma para optimizar tanto la visibilidad de defectos como la claridad del fondo

2.6 Guardar Configuración de Imagen​

  1. Una vez que todas las configuraciones estén optimizadas, haga clic en "Save Imaging Settings"
  2. Su configuración de la cámara ya está guardada para esta receta
  3. La vista previa en vivo debería mostrar imágenes claras y con alto contraste

Checkpoint: La cámara debe producir imágenes claras donde las marcas de lápiz sean fácilmente distinguibles del fondo del papel.

Step 3: Configure Template and Alignment​

3.1 Navigate to Template Image and Alignment​

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

3.2 Skip Aligner for This Tutorial​

  1. Como 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

When to Use Aligner: Habilite el aligner cuando necesite detectar características en ubicaciones específicas en piezas que puedan moverse o girar. Para una inspección de hoja completa como pencil marks, omitir el aligner suele ser adecuado.

image.png

Step 4: Set Up Inspection Region​

4.1 Navigate to Inspection Setup​

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

4.2 Configure Region of Interest (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 la ROI cubra 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 la posición de la pieza
  • Evite incluir texto, logotipos u otras marcas esperadas

4.3 Save ROI Configuration​

  1. Una vez que la ROI esté correctamente posicionada, 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 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

image.png

5.2 Configurar la Clase de Inspección​

  1. En 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 que encontrará
  • 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

Prácticas recomendadas 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. Verifique nuevamente todas las imágenes etiquetadas para garantizar la precisión
  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 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 llevan más tiempo
  • Supervise el progreso del entrenamiento y ajústelo según sea necesario
  • Equilibre los requisitos de precisión con el tiempo de entrenamiento

image.png

6.2 Monitorear el Progreso del Entrenamiento​

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

6.3 Opciones de Control de Entrenamiento​

Durante el entrenamiento, puede:

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

Consejos de Entrenamiento:

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

6.4 Evaluar Resultados de Entrenamiento​

  1. Al finalizar 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 resaltan con 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 y no vistas

Paso 7: Configurar la Lógica de Pass/Fail​

7.1 Navegar a IO Block​

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

7.2 Configurar el flujo de Node-RED​

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

image.png

7.3 Configurar la Lógica de Pass/Fail​

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

Opción 1: Pasa 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: Pasa 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: Pasa 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 (debería pasar)
  • Pruebe con hojas ligeramente marcadas (debería pasar/fallar según su criterio)
  • Pruebe con hojas 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 la lógica de Pass/Fail necesita ajuste:

  • Modifique los valores umbral en su función 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 garantizar 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 rastrear el rendimiento a lo largo del tiempo

Paso 9: Comprensión de 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: Qué tan seguro está el modelo con respecto a cada detección

9.2 Uso de Datos de Segmentación​

Puede crear una lógica de aprobación o rechazo sofisticada basada en:

  • Número de defectos detectados
  • Tamaño de defectos individuales (conteo de píxeles)
  • Área total de defectos (suma de todos los conteos de píxeles)
  • Ubicación de defectos (dónde aparecen los defectos)
  • Características de la forma del defecto (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 (o sus características específicas) en imágenes

✅ Medir el tamaño y la cantidad de características detectadas

✅ Tomar decisiones de aprobación o rechazo basadas en sus criterios específicos

✅ Proporcionar información detallada sobre cada característica detectada

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

Puntos Clave​

Segmentación vs. Clasificación:

  • Segmentación encuentra y mide características específicas dentro de las imágenes
  • Clasificación identifica objetos completos o condiciones generales
  • Use segmentación para 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 a fondo con muestras de producción
  • Monitorear y volver a entrenar según sea necesario

Lógica de Aprobación/Rechazo:

  • Comience con criterios simples y agregue complejidad según sea necesario
  • Probar la lógica con casos límite y muestras de borde
  • Documentar sus criterios para mantener la consistencia
  • Considerar 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. Integre con los sistemas de producción: conecte a PLCs o sistemas de gestión de calidad
  3. Configure la recopilación de datos: rastree métricas de rendimiento y estadísticas de detección
  4. Capacite a los operadores: asegúrese de que el equipo entienda cómo monitorizar y mantener el sistema
  5. Planifique el mantenimiento: programe actualizaciones periódicas del modelo y revisiones de rendimiento

🔗 Ver También​