Entrenar un Segmentador

Esta guía muestra cómo configurar y ajustar la función de segmentación del OV80i para detectar, medir y analizar automáticamente características o defectos específicos en sus piezas. Use la segmentación cuando necesite identificar formas irregulares, medir áreas o detectar patrones específicos que no pueden ser manejados por una clasificación simple.

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

Antes de empezar

Requisitos

• Sistema de cámara OV80i 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 Iniciar Receta Nueva

1. Navegue a la página Todas las Recetas
2. Haga clic en + New Recipe (esquina superior derecha)
3. Ingrese Nombre de la Receta: Use un nombre descriptivo como "Pencil_Mark_Detection" o "Surface_Defect_Segmentation"
4. Seleccione Tipo de Receta: Elija "Segmentation" desde el desplegable
5. Haga clic en OK para crear

1.2 Activar Receta

1. Encuentre su receta en la lista (se muestra 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 Imagen

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

3.2 Optimizar Enfoque para Segmentación

El enfoque es crítico 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 sean nítidos y claros
3. Pruebe con diferentes piezas para garantizar un enfoque consistente a lo largo de su rango

tip

• Centrarse en la superficie donde aparecerán los 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 Configurar Exposición Óptima

Una exposición adecuada garantiza una detección de características constante:

1. Ajustar la Exposición para una iluminación equilibrada
2. Evitar áreas sobreexpuestas (regiones puramente blancas)
3. Asegurar que las características sean visibles con buen contraste

Directrices de Exposición para Segmentación:

• Las características deben presentar un contraste claro con el fondo
• Evitar sombras que podrían confundirse con defectos
• Probar con diversas condiciones de la pieza (limpia, sucia, gastada)

3.4 Configurar Patrón de Iluminación LED

Elegir la iluminación basada en lo que está segmentando:

Tipo de Característica	Iluminación Recomendada	Por qué
Defectos de Superficie	Campo brillante	Iluminación uniforme muestra irregularidades superficiales
Rasguños/ grietas	Iluminación lateral	Genera sombras que resaltan defectos lineales
Características elevadas	Campo oscuro	Hace que las áreas elevadas se destaquen del fondo
Derrames de líquido	Iluminación lateral	Muestra diferencias en la textura de la superficie

3.5 Ajuste de Gamma para Mejora de Características

1. Aumentar Gamma para realzar 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 sean más distinguibles

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 un buen contraste.

Paso 4: Configurar Plantilla y Alineación

4.1 Ir 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 constante
2. Haga clic en Save

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

Paso 5: Definir la Región de Inspección

5.1 Ir a Configuración de Inspección

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

5.2 Configurar Región de Interés (ROI)

La ROI define dónde ocurrirá la segmentación:

1. Coloque una pieza de prueba en la vista de la cámara
2. Arrastre las esquinas de la ROI para enmarcar el área de inspección
3. Ajuste el tamaño de la ROI adecuadamente:
   • Incluya todas las áreas donde podrían aparecer las características
   • Excluya regiones de fondo innecesarias
   • Deje un pequeño margen alrededor de las ubicaciones esperadas de las características

5.3 Mejores Prácticas de ROI para Segmentación

Sí	No
Cubrir toda la superficie de inspección	Incluir objetos de fondo irrelevantes
Dejar espacio de reserva alrededor de los bordes	Hacer que la ROI sea demasiado pequeña para la variación de características
Considerar variaciones de posicionamiento de la pieza	Superponerse con fijaciones o herramental
Probar con las características más grandes esperadas	Incluir áreas con marcas permanentes

5.4 Guardar Configuración de ROI

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

Paso 6: Etiquetar Datos de Entrenamiento

6.1 Ir 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 color de la clase para identificación visual
4. Guardar cambios

6.3 Capturar y Etiquetar Imágenes de Entrenamiento

Se requieren al menos 10 imágenes etiquetadas, pero se recomiendan 15-20:

Proceso de Captura de Imágenes

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

Mejores Prácticas de Etiquetado

Buen Etiquetado	Mala Etiquetado
Límites de características precisos	Pintado de bordes descuidado
Definición de características consistente	Criterios inconsistenteS**
Cobertura completa de características	Cobertura de características incompleta
Fondo limpio (sin pintar)	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
• Varias ubicaciones dentro de la ROI (Región de Interés)
• Diferentes condiciones de iluminación (si corresponde)
• 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 haya terminado de etiquetar
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 Monitoreo del Progreso del Entrenamiento

El progreso del entrenamiento muestra:

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

Controles de Entrenamiento:

• Detener Entrenamiento: Detenerse si surgen problemas
• Finalizar Entrenamiento Tempranamente: Detener cuando la precisión sea suficiente

tip

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

Paso 8: Prueba del Rendimiento de Segmentación

8.1 Acceder a Vista previa en vivo

1. Haga clic en Live Preview después de que finalice el entrenamiento
2. Pruebe con varias piezas:
   • Piezas buenas conocidas (no debería mostrar segmentación o debería ser mínima)
   • Piezas defectuosas conocidas (debería resaltar defectos)
   • Casos límite y ejemplos limítrofes

8.2 Evaluar Resultados

Verificación de la calidad de la segmentación:

Métrica	Buen Desempeño	Necesita Mejora
Exactitud	Encuentra características reales de forma consistente	Omite características obvias
Precisión	Pocos falsos positivos	Muchas áreas de fondo resaltadas
Calidad de Bordes	Bordes limpios y precisos	Bordes ásperos o imprecisos
Consistencia	Resultados similares en pruebas repetidas	Resultados altamente variables

8.3 Solución de problemas de resultados pobres

Problema	Causa probable	Solución
Faltan características	Datos de entrenamiento insuficientes	Agregar más ejemplos etiquetados
Falsos positivos	Iluminación/contraste deficientes	Mejorar configuraciones de imagen
Bordes ásperos	Calidad de imagen deficiente	Mejorar enfoque/iluminación
Resultados inconsistentes	Variedad de entrenamiento inadecuada	Agregar más ejemplos diversos

Paso 9: Configurar la Lógica de Pass/Fail

9.1 Acceso al Bloque IO

1. Asegúrese de que el modelo de IA muestre 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 flujo Node-RED con estos componentes:

1. Arrastre nodos desde el panel izquierdo:
   • Function node (para la lógica)
   • Debug node (para pruebas)
   • Final Pass/Fail node
2. Conectar los nodos con cables

9.4 Configurar la Lógica Según Sus Necesidades

Opción A: Pass 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: Pass si solo defectos pequeños

Caso de uso: Aceptar defectos menores por debajo del 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: Pass 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. Doble clic en el nodo Function
2. Copie el código adecuado de los ejemplos anteriores
3. Pegar en la pestaña "On Message"
4. Ajustar 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 al HMI para pruebas
3. Pruebe con piezas conocidas buenas y malas
4. Verifique que los resultados de pass/fail 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 en caso de fallo
Piezas limpias	Pass (sin segmentación)	Ajustar umbrales o volver a entrenar
Defectos menores	Pass/Fail según sus criterios	Refinar parámetros de la lógica
Defectos mayores	Fail (segmentación clara)	Verificar la precisión del modelo
Casos límite	Comportamiento consistente	Agregar datos de entrenamiento

10.2 Validación de Rendimiento

Monitoree estas métricas:

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

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 lógica de pass/fail personalizada basada en sus requisitos
• Integrar con sistemas de producción mediante controles de 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