Entrenar un Segmentador

Esta guía le muestra cómo configurar y ajustar la función de segmentación de OV20i 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.

Video Guide

Vea este tema en acción: Cómo crear una receta de segmentación en minutos

nota

OV10i no tiene capacidades de segmentación.

Cuándo usar la segmentación: Defectos de superficie, derrames de líquidos, 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 OV20i configurado y conectado
• Piezas de prueba con las características que desea segmentar (p. ej., láminas con marcas de lápiz)
• Buenas condiciones de iluminación para su aplicación específica
• 15-20 imágenes de muestra para el entrenamiento

Paso 1: Crear una Receta de Segmentación

1.1 Iniciar una Nueva Receta

1. Navegue a la página Todas las Recetas
2. Haga clic en + New Recipe (esquina superior derecha)

3. Ingrese el nombre de la Receta: Use un nombre descriptivo como "Pencil_Mark_Detection" o "Surface_Defect_Segmentation"
4. Seleccionar Tipo de Receta: Elija "Segmentation" desde el desplegable
5. Haga clic en OK para crear

1.2 Activar la Receta

1. Encuentre su receta en la lista (se muestra como "Inactive")
2. Haga clic en Activate
3. Haga clic en Activate and go to editor para confirmar y lanzar el editor de recetas

✅ Resultado: La receta pasa a estar "Active" y se muestra el Editor de Recetas.

Paso 2: Configurar la Configuración de la Cámara

2.1 Abrir la Configuración de Imagen

1. Haga clic en Configure Imaging (parte inferior izquierda)

2.2 Optimizar el 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 estén nítidos y claros
3. Pruebe con diferentes piezas para asegurar un enfoque consistente a lo largo de su rango

tip

• Enfoque en la superficie donde aparecerán los defectos/características
• Asegure que toda el área de interés esté en enfoque nítido
• Un ligero sobreenfoque es mejor que un enfoque suave para la segmentación

2.3 Establecer la Exposición Óptima

La exposición adecuada garantiza una detección de características consistente:

1. Ajuste la Exposición para una iluminación equilibrada
2. Evite áreas sobreexpuestas (regiones completamente blancas)
3. Asegure que las características sean visibles con buen contraste

Directrices de Exposición para Segmentación:

• Las características deben tener un contraste claro con el fondo
• Evite sombras que podrían confundirse con defectos
• Pruebe con varias condiciones de pieza (limpia, sucia, gastada)

2.4 Configurar el Patrón de Iluminación LED

Elija la iluminación según lo que esté segmentando:

Tipo de característica	Iluminación recomendada	Por qué
Surface defects	Bright field	La iluminación uniforme muestra irregularidades de la superficie
Scratches/cracks	Side lighting	Crea sombras que destacan defectos lineales
Raised features	Dark field	Hace que las áreas elevadas se destaquen del fondo
Liquid spills	Side lighting	Muestra diferencias en la textura de la superficie

2.5 Ajustar gamma para la mejora de características

1. Aumente el gamma para mejorar el contraste entre las características y el fondo
2. Pruebe distintos valores mientras observa sus características objetivo
3. Encuentre la configuración que haga que las características sean más distinguibles

2.6 Guardar configuración

1. Revise 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 buen contraste.

Paso 3: Configurar Plantilla y Alineación

3.1 Navegar a la Sección de Plantilla

Haga clic en "Template Image and Alignment" en el menú de migas de pan

3.2 Configurar Alineación (Opcional)

Para este ejemplo, omitiremos la alineación:

1. Seleccionar Skip Aligner si las piezas están posicionadas de forma consistente
2. Haga clic en Save

Cuándo usar Aligner: Active cuando las piezas lleguen en posiciones u orientaciones variables que afecten la precisión de la segmentación.

Paso 4: Definir la Región de Inspección

4.1 Navegar a Configuración de Inspección

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

4.2 Definir 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 la zona 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

4.3 Mejores Prácticas de ROI para Segmentación

Hacer	No hacer
Cubra toda la superficie de inspección	Incluya objetos de fondo irrelevantes
Deje un margen alrededor de los bordes	Haga que la ROI sea demasiado pequeña para la variación de características
Considere variación en la posición de la pieza	Se superponga con fijaciones o herramental
Pruebe con las características más grandes esperadas	Incluya áreas con marcas permanentes

4.4 Guardar Configuración de ROI

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

Paso 5: Etiquetar datos de entrenamiento

5.1 Navegar a Label And Train

Haga clic en "Label And Train" en el menú de migas de pan

5.2 Configurar Clase de Inspección

1. Haga clic en Edit bajo Inspection Types
2. Renombre la clase para que coincida con su feature (p. ej., "Pencil Mark", "Surface Defect", "Spill Area")
3. Elija el color de la clase para identificación visual
4. Guardar cambios

5.3 Capturar y Etiquetar Imágenes de Entrenamiento

Necesita un mínimo de 10 imágenes etiquetadas, pero se recomienda entre 15 y 20:

Proceso de Captura de Imágenes

1. Coloque la primera pieza de prueba en el área de inspección
2. Tome la imagen usando la interfaz de la cámara
3. Utilice la herramienta Pincel para pintar sobre las características objetivo
4. Pinte con precisión:
   • Cubra toda el área de la característica
   • Manténgase dentro de los límites de la característica
   • No pinte áreas de fondo
   • Utilice un enfoque de etiquetado coherente
5. Haga clic en Save Annotations
6. Repita con la siguiente pieza

Buenas Prácticas de Etiquetado

Buena Etiquetación	Etiquetado Deficiente
Límites precisos de características	Bordes pintados de forma descuidada
Definición de características consistente	Definición de características inconsistente
Cobertura completa de características	Áreas de características ausentes
Fondo limpio (sin pintar)	Pintado accidental del fondo

5.4 Variedad de Datos de Entrenamiento

Asegúrese de que su conjunto de entrenamiento incluya:

• Tamaños de características diferentes
• Variadas intensidades de características
• Múltiples ubicaciones dentro de la ROI
• Diferentes condiciones de iluminación (si aplica)
• Casos límite y ejemplos limítrofes

5.5 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 6: Entrenar el Modelo de Segmentación

6.1 Iniciar el Proceso de Entrenamiento

1. Haga clic en Volver a la vista en vivo cuando haya terminado de etiquetar
2. Haga clic en Entrenar Modelo de Segmentación

6.2 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 Iniciar Entrenamiento

6.3 Monitorear el Progreso del Entrenamiento

El progreso del entrenamiento muestra:

• Número de iteración actual
• Porcentaje de precisión del entrenamiento
• Tiempo estimado de finalización

Controles de Entrenamiento:

• Abortar Entrenamiento: Detener si surgen problemas
• Finalizar Entrenamiento Temprano: Detener cuando la precisión sea suficiente

tip

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

Paso 7: Prueba del Rendimiento de la Segmentación

7.1 Acceder a la Vista previa en vivo

1. Haga clic en Vista previa en vivo después de que termine el entrenamiento
2. Probar con varias piezas:
   • Piezas buenas conocidas (debería mostrar segmentación nula o mínima)
   • Piezas defectuosas conocidas (debería resaltar defectos)
   • Casos límite y ejemplos limítrofes

7.2 Evaluar Resultados

Verificar la calidad de la segmentación:

Métrica	Buen Rendimiento	Necesita Mejora
Exactitud	Encuentra características reales de forma consistente	Faltan características obvias
Precisión	Pocos falsos positivos	Muchos fondos resaltados
Calidad de Bordes	Bordes limpios, precisos	Bordes ásperos o inexactos
Consistencia	Resultados similares en pruebas repetidas	Resultados altamente variables

7.3 Solución de problemas de resultados deficientes

Problema	Causa probable	Solución
Faltan características	Datos de entrenamiento insuficientes	Agregar más ejemplos etiquetados
Falsos positivos	Iluminación/contraste pobres	Mejorar la configuración de imagen
Bordes irregulares	Calidad de imagen insuficiente	Mejorar el enfoque/iluminación
Resultados inconsistentes	Variedad insuficiente en el entrenamiento	Agregar ejemplos más diversos

Paso 8: Configurar la Lógica de Pass/Fail

8.1 Acceder al Bloque IO

1. Asegúrese de que el modelo AI muestre verde (estado entrenado)
2. Navegue al Bloque IO vía el menú de migas

8.2 Eliminar la Lógica Predeterminada

1. Eliminar el nodo Lógica del Bloque de Clasificación
2. Prepárese para construir una lógica de segmentación personalizada

8.3 Construir el Flujo de Segmentación

Cree un flujo de Node-RED con estos componentes:

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

8.4 Configurar la Lógica Según Sus Necesidades

Opción A: Aprobado si no se detectan defectos

Caso de uso: Inspección de calidad en la que cualquier defecto detectado 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: Aprobado si solo hay defectos pequeños

Caso de uso: Aceptar defectos menores por debajo de un 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: Aprobado 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;

8.5 Configurar el Nodo Function

1. Haga doble clic en el nodo Function
2. Copie el código apropiado 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

8.6 Desplegar y Probar la Lógica

1. Haga clic en Deploy para activar la lógica
2. Navegue a la HMI para pruebas
3. Pruebe con piezas conocidas buenas y defectuosas
4. Verifique que los resultados de Pass/Fail coincidan con las expectativas

Paso 9: Validación de Producción

9.1 Pruebas Exhaustivas

Pruebe el sistema de segmentación con:

Caso de prueba	Resultado esperado	Acción si falla
Piezas limpias	Aprobado (sin segmentación)	Ajustar umbrales o reentrenar
Defectos menores	Aprobado/Fallo según sus criterios	Refinar parámetros de la lógica
Defectos mayores	Fallo (segmentación clara)	Verificar la precisión del modelo
Casos límite	Comportamiento consistente	Agregar datos de entrenamiento

9.2 Validación de Rendimiento

Monitoree estas métricas:

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

9.3 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 iluminación
4. Reentrenar el modelo con iteraciones adicionales

¡Éxito! Su Sistema de Segmentación está Listo

Ahora cuenta con un sistema de segmentación en funcionamiento que puede:

• Detectar automáticamente características o defectos específicos
• Medir áreas con precisión a nivel de píxel
• Aplicar una lógica de Pass/Fail personalizada basada en sus requisitos
• Integrar con sistemas de producción a través de controles de E/S

Opciones Avanzadas de Configuración

Lógica de Umbrales Personalizados

Para criterios de aceptación complejos, combine múltiples 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