Usando el Segmenter

Este tutorial le guiará a través de la creación de 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, rasguños u otros defectos, enseñando a la cámara a identificar y medir estas características píxel por píxel.

Guía en video

Vea este tema en acción: How to create a segmentation recipe in minutes

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 aprobación/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 a la detección de rasguños, fisuras, contaminación u otras características que se puedan distinguir visualmente.

Prerrequisitos

• Sistema de cámara OV80i configurado y conectado
• Piezas de muestra 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 de papel y determinar aprobación o rechazo en función de la cantidad de marcas detectadas.

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

Habilidades adquiridas: Entrenamiento de modelos 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 All Recipes, haga clic en "+ New" en la esquina superior derecha
2. Aparecerá el cuadro de diálogo Añadir 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 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 All Recipes marcada como "Inactive"
2. Seleccione "Activate" a la derecha de la receta

3. Haga clic en "Activate and go to editor" para confirmar y lanzar el editor de recetas

Punto de control: Debe verse la interfaz del Editor de Recetas con el nombre de su receta de segmentación en el menú de migas de pan.

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 abre la página de configuración de imagen donde optimizará los ajustes de la cámara

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. 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. 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 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 Ajustes de Exposición

1. Ajuste el control deslizante Exposure para lograr el brillo adecuado
2. Las marcas de lápiz deben ser claramente visibles 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 cambios en tiempo real

Directrices de Exposición:

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

2.4 Configurar Iluminación LED

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

2.5 Ajustar Gamma y Contraste

1. Ajuste fino de 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 debe mostrar imágenes claras y con buen contraste

Punto de control: La cámara debe generar imágenes claras donde las marcas de lápiz se distingan fácilmente del fondo de papel.

Paso 3: Configurar Plantilla y Alineación

3.1 Navegar a Imagen de Plantilla y Alineación

1. Haga clic en el Nombre de Receta en el menú de migas de pan para volver al Editor de Recetas
2. Seleccione "Imagen de Plantilla y Alineación" del menú

3.2 Omitir Aligner para Este Tutorial

1. Dado que estamos detectando características a lo largo de la hoja completa, haga clic en "Skip Aligner"
2. Esto desactiva el alineamiento basado en la posición y usa 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 en piezas que puedan moverse o girar. Para una inspección de hoja completa como las marcas de lápiz, omitir el aligner suele ser apropiado.

Paso 4: Configurar Región de Inspección

4.1 Navegar a Configuración de Inspección

1. Vuelva al Editor de Recetas 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 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 abarque todas las áreas donde podrían 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 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 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 Navegar a Etiquetar y Entrenar

1. Regrese al Editor de Recetas y seleccione "Etiquetar y Entrenar"
2. Aquí le enseñará a la IA cómo se ven las marcas de lápiz

5.2 Configurar la Clase de Inspección

1. Bajo Inspection Types, haga clic en "Editar"
2. Cambie el nombre de la clase a "Pencil Mark" (o su tipo de defecto específico)
3. Elija un distintivo color 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:

• Incluya marcas sutiles y obvias
• Capturar condiciones de iluminación variadas que encontrará
• Incluir 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 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 "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 minuciosamente todas las imágenes etiquetadas para garantizar la precisión
2. Busque marcas omitidas o áreas etiquetadas de forma incorrecta
3. Re-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 "Volver a En Vivo"
2. Haga clic en "Entrenar Modelo de Segmentación"
3. Ingrese el Número de Iteraciones para el entrenamiento

Pautas de Iteración:

• Comience con 100-200 iteraciones para el entrenamiento inicial
• Más iteraciones, por lo general, 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 el 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 estimado restante

6.3 Opciones de Control del Entrenamiento

Durante el entrenamiento, puede:

• Abortar Entrenamiento - Detener si necesita hacer cambios
• Finalizar el Entrenamiento Antes de Tiempo - Detener cuando la precisión sea suficiente
• Monitorear Progreso - Observar cómo la precisión mejora a lo largo de las iteraciones

Consejos de Entrenamiento:

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

6.4 Evaluar Resultados del Entrenamiento

1. Cuando el entrenamiento finalice, 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 se destacan en el color que haya 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 Aprobación/Rechazo

7.1 Ir 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 'Classification Block Logic' existente
2. Desde la paleta izquierda, arrastre:
   • 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

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

Opción 1: Aprobar 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: Aprobar 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: Aprobar 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 Implementar y Probar la Lógica

1. Haga clic en "Done" para guardar la función
2. Haga clic en "Deploy" para activar la lógica
3. Ir a HMI para probar su lógica de aprobación/rechazo

Probando su Lógica:

• Probar con hojas limpias (debería pasar)
• Probar con hojas ligeramente marcadas (debería pasar/fallar según sus criterios)
• Probar 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 Ajuste fino del 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 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 en 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 precisión de detección y 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 individualmente (marcas de lápiz)
• Conteo de píxeles: Tamaño de cada característica detectada
• Datos de ubicación: Dónde se encontraron las características
• Puntuaciones de confianza: Cuán seguro está el modelo acerca de cada detección

9.2 Usando los Datos de Segmentación

Puede crear una lógica sofisticada de aprobación/rechazo 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)
• Características de la forma de defectos (si es necesario para aplicaciones avanzadas)

¡Éxito! Su modelo de segmentación está completo

La inspección de segmentación de OV80i ya puede:

✅ Detectar automáticamente marcas de lápiz (o sus características específicas) en imágenes

✅ Medir el tamaño y la cantidad de las 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 enteros o condiciones generales
• Utilice la 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
• Incluya ejemplos diversos en su conjunto de entrenamiento
• Pruebe a fondo con muestras de producción
• Monitoree y realice reentrenamientos según sea necesario

Lógica de Aprobación/Rechazo:

• Comience con criterios simples y añada complejidad según sea necesario
• Pruebe la lógica con casos límite y muestras limítrofes
• Documente sus criterios para garantizar 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 - Conecte a PLCs o sistemas de gestión de 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 mantenimiento - Programar 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 Node-RED de Overview