Usando el Segmenter

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

Qué 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 aprobación/reprobación basada en los resultados de segmentación
• Cómo optimizar el rendimiento de segmentación para 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 rayones, grietas, 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., láminas 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 pueda detectar marcas de lápiz en hojas de papel y determinar la aprobación o la reprobación en función de 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 aprobación/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 "+ New Recipe" en la esquina superior derecha
2. Aparecerá el modal Add A New Recipe
3. Ingrese un nombre descriptivo para su receta (p. ej., "Pencil_Mark_Detection")
4. Seleccione "Segmentation" desde el menú desplegable de 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 medición de áreas de cobertura.

1.2 Activa tu Receta

1. Su nueva receta aparecerá en la página Todas las Recetas marcada como "Inactive"
2. Seleccione "Actions > Activate" a la derecha de la receta
3. Haga clic en "Activate" para confirmar
4. El estado de la receta cambiará a "Active"

1.3 Ingrese al Editor de Recetas

1. Haga clic en "Edit" junto a su receta activa
2. Haga clic en "Open 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 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 Configuración de Enfoque

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

Consejos de Enfoque:

• Enfóquese 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 Exposure slider para lograr un brillo adecuado
2. Las marcas de lápiz deben ser claramente visibles sin sobreexponer el papel
3. Comience con la configuración automática y afine según sea necesario
4. Vigile la vista previa en vivo para ver los cambios en tiempo real

Directrices de Exposición:

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

2.4 Configurar Iluminación LED

1. Seleccione el apropiado LED Light Pattern para su aplicación
2. Para marcas de lápiz, la 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 Gamma para mejorar el contraste entre marcas y 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. La configuración de su cámara ya está guardada para esta receta
3. La vista previa en vivo debe mostrar imágenes claras y con un buen alto contraste

Punto de Verificación: Su cámara debe producir imágenes claras donde 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 Recipe Name en el menú de migas para volver al Recipe Editor
2. Seleccione "Template Image and Alignment" del menú

3.2 Omitir Aligner para Este Tutorial

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

Cuándo usar el Aligner: Habilite el aligner cuando necesite detectar características en ubicaciones específicas en piezas que puedan moverse o girar. Para inspección de hoja completa, como las marcas de lápiz, omitir el aligner suele ser adecuado.

Step 4: Configurar Región de Inspección

4.1 Navegar a Configuración de Inspección

1. Regrese al Recipe Editor 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. Drag the corners de la 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:

• 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 el posicionamiento de la pieza
• Evite incluir texto, logos 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 ya está definida para su modelo de segmentación

Paso 5: Etiquetar y Entrenar Tu Modelo

5.1 Ir a Label and Train

1. Regrese al Recipe Editor y seleccione "Label and Train"
2. Aquí es donde enseñará a la IA 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. 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 de imágenes de entrenamiento:

• Incluya marcas sutiles y obvias
• 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 exhaustivo 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 Revisión de Sus Anotaciones

1. Verifique todas las imágenes etiquetadas para garantizar precisión
2. Busque marcas omitidas o áreas etiquetadas incorrectamente
3. Vuelva a anotar cualquier imagen que necesite corrección
4. 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 "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 tardan más
• Monitoree el progreso del entrenamiento y ajuste según sea necesario
• Equilibre los requisitos de precisión con el tiempo de entrenamiento

6.2 Monitorear Progreso de Entrenamiento

1. Haga clic en "Start Training" 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 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 la precisión mejora a lo largo de las iteraciones

Consejos de Entrenamiento:

• El entrenamiento se completará 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 Evaluación de Resultados de Entrenamiento

1. Cuando finalice el entrenamiento, revise la precisión final
2. Haga clic en "Vista previa en tiempo real" 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 destacan en el color que eligió
• 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 Lógica de Aprobación/Rechazo

7.1 Navegar a IO Block

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

7.2 Configurar Flujo de Node-RED

1. Elimine la lógica existente del nodo All Block Outputs (si no está presente)
2. Desde la paleta de la izquierda, arrastre:
   • nodo All Block Outputs (si no está presente)
   • nodo Function
   • nodo Final Pass/Fail
3. Conecte los nodos: All Block Outputs → Function → Final Pass/Fail

7.3 Configurar Lógica de Aprobación/Rechazo

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

Opción 1: Aprobación 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: Aprobación 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: Aprobación 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 "Hecho" para guardar la función
2. Haga clic en "Desplegar" para activar la lógica
3. Navegue a HMI para probar su lógica de aprobación/rechazo

Pruebas de su lógica:

• Pruebe con hojas limpias (debería aprobar)
• Pruebe con hojas ligeramente marcadas (debería aprobar/reprobar según sus criterios)
• Pruebe con hojas fuertemente marcadas (debería reprobar)
• 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 aprobación/rechazo 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 es necesario ajustar la lógica de aprobación/rechazo:

• 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. Pruebe con piezas de producción reales en condiciones reales
2. Validar 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 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 acerca de cada detección

9.2 Usando Datos de Segmentación

Puede crear lógica sofisticada de pass/fail basada en:

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

¡Éxito! Tu modelo de Segmentación está completo

La inspección de segmentación OV80i ya puede:

✅ Automatically detect pencil marks (o tus 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, la forma y la posición de las marcas

Puntos Clave

Segmentation vs. Classification:

• Segmentation encuentra y mide características específicas dentro de las imágenes
• Classification identifica objetos enteros 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 exhaustivamente con muestras de producción
• Monitorear y reentrenar 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. Integrar con sistemas de producción - Conectarse a PLCs o sistemas de gestión de calidad
3. Configurar recopilación de datos - Registrar métricas de rendimiento y estadísticas de detección
4. Capacitar a los operadores - Asegúrese de que el equipo entienda cómo monitorear y mantener el sistema
5. Planificar el mantenimiento - Programar actualizaciones periódicas del modelo y revisiones de rendimiento

🔗 Véase También

• Train a Segmenter
• Classifier vs Segmenter
• Using a Classifier (Single-ROI Example)
• Node-RED Basics
• Overview Node-RED Custom Blocks