Usando el Segmentador

Este tutorial le guiará a través de la creación de una inspección de segmentación completa utilizando las capacidades de segmentación impulsadas por IA del OV20i. 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: Cómo crear una receta de segmentación en minutos

nota

El OV10i no tiene capacidades de segmentación.

Lo que 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 aprobado/reprobado basada en los resultados de segmentación
• Cómo optimizar el rendimiento de 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, grietas, contaminación o cualquier otra característica que se pueda distinguir visualmente.

Prerrequisitos

• Sistema de cámara OV20i configurado y conectado
• Piezas de muestra con las características que desea detectar (por ejemplo, hojas con marcas de lápiz)
• Comprensión básica de los conceptos de entrenamiento de IA
• Acceso a la funcionalidad del Editor de Recetas y Node-RED

Resumen del Tutorial

Lo que construiremos: Un modelo de segmentación que puede detectar marcas de lápiz en hojas de papel y determinar aprobado/reprobado basado en la cantidad de marcas detectadas.

Tiempo requerido: 45-60 minutos (incluido el tiempo de entrenamiento)

Habilidades aprendidas: Entrenamiento de modelos de IA, anotación de segmentación, configuración de lógica de aprobado/reprobado

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 el modal Agregar una Nueva Receta
3. Ingrese un Nombre descriptivo para su receta (por ejemplo, "Detección_Marca_Lápiz")
4. Seleccione "Segmentación" del 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 medición de áreas de cobertura.

1.2 Activar y Abrir el Editor de Recetas

1. Su nueva receta aparecerá en la página Todas las Recetas marcada como "Inactiva"
2. Seleccione "Activar" a la derecha de la receta

3. Haga clic en "Activar y ir al 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 menú de migas de pan.

Paso 2: Configurar la Imágenes de la Cámara

2.1 Acceder a la Configuración de Imágenes

1. En el Editor de Recetas, haga clic en "Configurar Imágenes" en la parte inferior izquierda
2. Esto abre la página de configuración de imágenes donde optimizará la configuración de la cámara

2.2 Optimizar Configuraciones de Enfoque

1. Coloque una hoja de muestra con marcas de lápiz en el campo de visión de la cámara
2. Use 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. Utilice Vista de Enfoque (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 mejor calidad de enfoque

2.3 Configurar Configuraciones de Exposición

1. Ajuste el control deslizante de Exposición para lograr el brillo adecuado
2. Las marcas de lápiz deben ser claramente visibles sin sobreexponer el papel
3. Comience con configuraciones automáticas y ajuste según sea necesario
4. Monitoree la vista previa en vivo para ver los cambios en tiempo real

Directrices de Exposición:

• Las marcas de lápiz deben tener buen contraste con el papel
• Evite la sobreexposición que lave marcas sutiles
• Asegúrese de que la iluminación sea consistente en toda el área de inspección

2.4 Configurar Iluminación LED

1. Seleccione el Patrón de Luz LED apropiado para su aplicación
2. Para marcas de lápiz, una iluminación uniforme suele funcionar mejor
3. Ajuste la Intensidad de Luz LED para minimizar sombras y reflejos
4. Pruebe diferentes patrones si hay problemas de reflejos

2.5 Ajustar Gamma y Contraste

1. Ajuste finamente el Gamma para mejorar 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 el gamma para optimizar tanto la visibilidad de los defectos como la claridad del fondo

2.6 Guardar Configuraciones de Imagen

1. Una vez que todas las configuraciones estén optimizadas, haga clic en "Guardar Configuraciones de Imagen"
2. Su configuración de cámara ahora está guardada para esta receta
3. La vista previa en vivo debe mostrar imágenes claras y bien contrastadas

Punto de Control: Su cámara debe producir imágenes claras donde las marcas de lápiz sean fácilmente distinguibles 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 la Receta en el menú de migas de pan para regresar al Editor de Recetas
2. Seleccione "Imagen de Plantilla y Alineación" del menú

3.2 Omitir Alineador para Este Tutorial

1. Dado que estamos detectando características en toda la hoja, haga clic en "Omitir Alineador"
2. Esto desactiva la alineación basada en posición y utiliza la imagen completa
3. Haga clic en "Guardar" para aplicar los cambios

Cuándo Usar el Alineador: Active el alineador cuando necesite detectar características en ubicaciones específicas en piezas que pueden moverse o rotar. Para inspecciones de hoja completa como marcas de lápiz, a menudo es apropiado omitir el alineador.

Paso 4: Configurar Región de Inspección

4.1 Navegar a Configuración de Inspección

1. Regrese al Editor de Recetas y seleccione "Configuración de Inspección"
2. Aquí es donde 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 del cuadro ROI para ajustar su tamaño y posición
3. Para la detección de marcas de lápiz, cubra típicamente toda el área de la hoja
4. Asegúrese de que el ROI abarque todas las áreas donde podrían aparecer marcas de lápiz

Mejores Prácticas para ROI:

• Incluya todas las áreas donde podrían ocurrir defectos
• Excluya áreas como bordes o fondos que no deberían ser analizados
• Haga que el ROI sea lo suficientemente grande para capturar variaciones en la posición de las piezas
• 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 "Guardar"
2. El área de inspección ahora está 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 es donde enseñará a la IA cómo se ven las marcas de lápiz

5.2 Configurar Clase de Inspección

1. En Tipos de Inspección, haga clic en "Editar"
2. Renombre la clase a "Marca de Lápiz" (o su tipo específico de defecto)
3. Elija un color distintivo 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 tanto marcas sutiles como 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 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 exhaustivo en sus anotaciones
4. Haga clic en "Guardar Anotaciones" después de completar cada imagen

Mejores Prácticas de Anotación:

• Sea consistente en lo que etiqueta como "marcas de lápiz"
• 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 Revisar sus Anotaciones

1. Verifique todas las imágenes etiquetadas para asegurar precisión
2. Busque marcas perdidas o áreas etiquetadas incorrectamente
3. Reanote 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 "Regresar a Vivo"
2. Haga clic en "Entrenar Modelo de Segmentación"
3. Ingrese el Número de Iteraciones para el entrenamiento

Directrices de Iteración:

• Comience con 100-200 iteraciones para el entrenamiento inicial
• Más iteraciones generalmente 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 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 del entrenamiento
   • Tiempo estimado restante

6.3 Opciones de Control de Entrenamiento

Durante el entrenamiento, puede:

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

Consejos de Entrenamiento:

• El entrenamiento finalizará automáticamente cuando se alcance la precisión objetivo
• Porcentajes de precisión más altos indican un mejor rendimiento del modelo
• Si la precisión se estabiliza, puede necesitar más datos de entrenamiento

6.4 Evaluar Resultados de Entrenamiento

1. Cuando finalice el entrenamiento, revise la precisión final
2. Haga clic en "Vista previa en vivo" para ver los resultados de segmentación en tiempo real
3. Pruebe con nuevas muestras para verificar el rendimiento del modelo

Indicadores de Éxito:

• Las marcas de lápiz están resaltadas 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 al Bloque de E/S

1. Regrese al Editor de Recetas y haga clic en "Configurar E/S" o seleccione "Bloque de E/S" en el menú de migas de pan

7.2 Configurar Flujo de Node-RED

1. Elimine el nodo de Lógica del Bloque de Clasificación existente
2. Desde la paleta izquierda, arrastre:
   • Nodo de Todas las Salidas del Bloque (si no está presente)
   • Nodo de Función
   • Nodo de Aprobación/Rechazo Final
3. Conecte los nodos: Todas las Salidas del Bloque → Función → Aprobación/Rechazo Final

7.3 Configurar Lógica de Aprobación/Rechazo

Haga doble clic en el Nodo de Función y elija 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 Lógica

1. Haga clic en "Listo" para guardar la función
2. Haga clic en "Implementar" para activar la lógica
3. Navegue a HMI para probar su lógica de aprobación/rechazo

Probando Su Lógica:

• Pruebe con hojas limpias (deberían aprobar)
• Pruebe con hojas ligeramente marcadas (deberían aprobar/rechazar según sus criterios)
• Pruebe con hojas fuertemente marcadas (deberían rechazar)
• 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 Ajustar el Rendimiento del Modelo

Si la detección es inconsistente:

• Agregue más imágenes de entrenamiento con ejemplos variados
• Mejore la calidad y consistencia de la anotación
• Ajuste la configuración de imagen para un mejor contraste
• Reentrene con iteraciones adicionales

Si la lógica de aprobación/rechazo necesita ajustes:

• Modifique los valores de umbral en su función de Node-RED
• Pruebe diferentes enfoques lógicos
• 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 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: Comprendiendo los Resultados de Segmentación

9.1 Estructura de Datos de Segmentación

Sus resultados de segmentación incluyen:

• Blobs: Características detectadas individuales (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 sobre cada detección

9.2 Uso de los Datos de Segmentación

Puede crear 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 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 ahora puede:

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

✅ Medir el tamaño y la cantidad de características detectadas

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

✅ Proporcionar información detallada sobre cada característica detectada

✅ Adaptarse a variaciones en el tamaño, forma y 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 exhaustivamente con muestras de producción
• Monitoree y reentrene 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 en el límite
• Documente sus criterios para consistencia
• Considere múltiples factores para decisiones robustas

Próximos Pasos

Ahora que ha completado su primer modelo de segmentación:

1. Aplique a otros casos de uso - Intente detectar diferentes tipos de defectos o características
2. Integre con sistemas de producción - Conéctese a PLCs o sistemas de gestión de calidad
3. Configure la recolección de datos - Realice un seguimiento de métricas de rendimiento y estadísticas de detección
4. Entrene a los operadores - Asegúrese de que el equipo entienda cómo monitorear y mantener el sistema
5. Planifique el mantenimiento - Programe actualizaciones regulares del modelo y revisiones de rendimiento

🔗 Vea También

• Entrenar un Segmentador
• Clasificador vs Segmentador
• Uso de un Clasificador (Ejemplo de Única ROI)
• Conceptos Básicos de Node-RED
• Bloques Personalizados de Node-RED de Overview