Entrenar un Segmentador

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

Guía en Video

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

Cuándo Usar la Segmentación: Defectos en la superficie, derrames de líquidos, formas irregulares, mediciones de área, detección de patrones o cualquier característica donde se requiera precisión a nivel de píxel.

Antes de Comenzar

Lo Que Necesitará

• Sistema de cámara OV80i configurado y conectado
• Piezas de prueba con características que desea segmentar (por ejemplo, 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 Nueva Receta

1. Navegue a la página de Todas las Recetas
2. Haga clic en + Nueva Receta (esquina superior derecha)

3. Ingrese el Nombre de la Receta: Utilice un nombre descriptivo como "Detección_Marca_Lápiz" o "Segmentación_Defecto_Superficie"
4. Seleccione el Tipo de Receta: Elija "Segmentación" del menú desplegable
5. Haga clic en OK para crear

1.2 Activar Receta

1. Encuentre su receta en la lista (aparece como "Inactiva")
2. Haga clic en Activar
3. Haga clic en Activar y ir al editor para confirmar y lanzar el editor de recetas

✅ Resultado: La receta ahora está "Activa" con el Editor de Recetas mostrado.

Paso 2: Configurar Ajustes de la Cámara

2.1 Abrir Configuración de Imagen

1. Haga clic en Configurar Imagen (parte inferior izquierda)

2.2 Optimizar Enfoque para Segmentación

El enfoque es crítico para la detección precisa de bordes:

1. Coloque su 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 en su rango

tip

• Enfoque en la superficie donde aparecerán 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

2.3 Establecer Exposición Óptima

Una exposición adecuada asegura una detección consistente de características:

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

Directrices de Exposición para Segmentación:

• Las características deben tener un claro contraste con el fondo
• Evite sombras que podrían confundirse con defectos
• Pruebe con varias condiciones de las piezas (limpias, sucias, desgastadas)

2.4 Configurar Patrón de Iluminación LED

Elija la iluminación según lo que esté segmentando:

Tipo de Característica	Iluminación Recomendada	Por Qué
Defectos en la superficie	Campo brillante	La iluminación uniforme muestra irregularidades en la superficie
Rasguños/grietas	Iluminación lateral	Crea sombras que destacan defectos lineales
Características elevadas	Campo oscuro	Hace que las áreas elevadas se destaquen del fondo
Derrames de líquidos	Iluminación lateral	Muestra diferencias en la textura de la superficie

2.5 Ajustar Gamma para Mejora de Características

1. Aumentar Gamma para mejorar 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

2.6 Guardar Configuración

1. Revisar configuraciones en la vista previa en vivo
2. Hacer clic en Guardar Configuración de Imagen

✅ 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

Hacer clic en "Imagen de Plantilla y Alineación" en el menú de migas de pan

3.2 Configurar Alineación (Opcional)

Para este ejemplo, omitiremos la alineación:

1. Seleccionar Omitir Alineador si las piezas están posicionadas de manera consistente
2. Hacer clic en Guardar

Cuándo Usar el Alineador: Activar cuando las piezas lleguen en posiciones o orientaciones variables que afectarían la precisión de segmentación.

Paso 4: Definir Región de Inspección

4.1 Navegar a la Configuración de Inspección

Hacer clic en "Configuración de Inspección" en el menú de migas de pan

4.2 Establecer Región de Interés (ROI)

La ROI define dónde ocurrirá la segmentación:

1. Posicionar una pieza de prueba en la vista de la cámara
2. Arrastrar las esquinas de la ROI para enmarcar el área de inspección
3. Dimensionar la ROI adecuadamente:
   • Incluir todas las áreas donde podrían aparecer características
   • Excluir regiones de fondo innecesarias
   • Dejar un pequeño margen alrededor de las ubicaciones esperadas de las características

4.3 Mejores Prácticas de ROI para Segmentación

Hacer	No Hacer
Cubrir toda la superficie de inspección	Incluir objetos de fondo irrelevantes
Dejar espacio de margen alrededor de los bordes	Hacer la ROI demasiado pequeña para la variación de características
Considerar la variación en la posición de las piezas	Superponerse con fijaciones o herramientas
Probar con las características más grandes esperadas	Incluir áreas con marcas permanentes

4.4 Guardar Configuración de ROI

1. Verificar que la ROI cubra todas las áreas objetivo
2. Hacer clic en Guardar

Paso 5: Etiquetar Datos de Entrenamiento

5.1 Navegar a Etiquetar y Entrenar

Hacer clic en "Etiquetar y Entrenar" en el menú de migas de pan

5.2 Configurar Clase de Inspección

1. Hacer clic en Editar bajo Tipos de Inspección
2. Renombrar clase para que coincida con su característica (por ejemplo, "Marca de Lápiz", "Defecto de Superficie", "Área de Derrame")
3. Elegir color de clase para identificación visual
4. Guardar cambios

5.3 Capturar y Etiquetar Imágenes de Entrenamiento

Necesita un mínimo de 10 imágenes etiquetadas, pero se recomiendan 15-20:

Proceso de Captura de Imágenes

1. Colocar la primera pieza de prueba en el área de inspección
2. Tomar imagen usando la interfaz de la cámara
3. Usar la herramienta Pincel 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. Hacer clic en Guardar Anotaciones
6. Repetir con la siguiente pieza

Mejores Prácticas de Etiquetado

Etiquetado Bueno	Etiquetado Deficiente
Límites de características precisos	Pintura de bordes descuidada
Definición de características consistente	Criterios inconsistentes
Cobertura completa de características	Áreas de características faltantes
Fondo limpio (sin pintar)	Pintura accidental del fondo

5.4 Variedad de Datos de Entrenamiento

Asegúrese de que su conjunto de entrenamiento incluya:

• Diferentes tamaños de características
• Varias intensidades de características
• Múltiples ubicaciones dentro de ROI
• Diferentes condiciones de iluminación (si aplica)
• Casos extremos y ejemplos en el límite

5.5 Verificación de Calidad de Datos de Entrenamiento

1. Revise todas las imágenes etiquetadas
2. Verifique el enfoque de etiquetado consistente
3. Elimine cualquier ejemplo etiquetado incorrectamente
4. Agregue más ejemplos si es necesario

Paso 6: Entrenar el Modelo de Segmentación

6.1 Iniciar Proceso de Entrenamiento

1. Haga clic en Regresar a Vivo cuando la etiquetación esté completa
2. Haga clic en Entrenar Modelo de Segmentación

6.2 Configurar Parámetros de Entrenamiento

1. Establecer 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 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

• 85% de precisión generalmente es bueno para producción
• El entrenamiento se detiene automáticamente al alcanzar la precisión objetivo
• Más datos de entrenamiento suelen ser mejores que más iteraciones

Paso 7: Probar el Rendimiento de Segmentación

7.1 Acceder a Vista Previa en Vivo

1. Haga clic en Vista Previa en Vivo después de que el entrenamiento se complete
2. Pruebe con varias piezas:
   • Piezas buenas conocidas (no deberían mostrar segmentación o mínima)
   • Piezas defectuosas conocidas (deberían resaltar defectos)
   • Casos extremos y ejemplos en el límite

7.2 Evaluar Resultados

Verifique la calidad de la segmentación:

Métrica	Buen Rendimiento	Necesita Mejora
Precisión	Encuentra características reales consistentemente	Pierde características obvias
Precisión	Pocos falsos positivos	Muchas áreas de fondo resaltadas
Calidad de Bordes	Límites limpios y precisos	Bordes ásperos o inexactos
Consistencia	Resultados similares en pruebas repetidas	Resultados altamente variables

7.3 Solución de Problemas de Resultados Pobres

Problema	Causa Probable	Solución
Características faltantes	Datos de entrenamiento insuficientes	Agregar más ejemplos etiquetados
Falsos positivos	Mala iluminación/contraste	Mejorar la configuración de imagen
Bordes ásperos	Mala calidad de imagen	Mejorar el enfoque/iluminación
Resultados inconsistentes	Variedad de entrenamiento inadecuada	Agregar más ejemplos diversos

Paso 8: Configurar la Lógica de Aprobación/Rechazo

8.1 Acceder al Bloque de E/S

1. Asegúrese de que el modelo de IA muestre verde (estado entrenado)
2. Navegue al Bloque de E/S a través del menú de migas de pan

8.2 Eliminar la Lógica Predeterminada

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

8.3 Construir Flujo de Segmentación

Cree un flujo de Node-RED con estos componentes:

1. Arrastre nodos del panel izquierdo:
   • Nodo de Función (para lógica)
   • Nodo de Depuración (para pruebas)
   • Nodo Final de Aprobación/Rechazo
2. Conecte nodos con cables

8.4 Configurar la Lógica Según Sus Necesidades

Opción A: Aprobar si No se Detectan Defectos

Caso de Uso: Inspección de calidad donde cualquier característica detectada es un rechazo

Código del Nodo de Función:

const allBlobs = msg.payload.segmentation.blobs;
const results = allBlobs.length <1; // Pass if no features found
msg.payload = results;
return msg;

Opción B: Aprobar si Solo Hay Defectos Pequeños

Caso de Uso: Aceptar defectos menores por debajo del umbral de tamaño

Código del Nodo de Función:

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: Aprobar si el Área Total de Defectos es Pequeña

Caso de Uso: Aceptar piezas con un área total de defectos limitada

Código del Nodo de Función:

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 de Función

1. Haga doble clic en el nodo de Función
2. Copie el código apropiado de los ejemplos anteriores
3. Pegue en la pestaña "On Message"
4. Ajuste 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 buenas y malas conocidas
4. Verifique que los resultados de aprobación/rechazo 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	Aprobar (sin segmentación)	Ajustar umbrales o reentrenar
Defectos menores	Aprobar/Rechazar según sus criterios	Refinar parámetros de lógica
Defectos mayores	Rechazar (segmentación clara)	Verificar precisión del modelo
Casos límite	Comportamiento consistente	Agregar datos de entrenamiento

9.2 Validación de Rendimiento

Monitorear estas métricas:

• Tiempo de procesamiento por inspección
• Consistencia en múltiples pruebas
• Precisión con iluminación de producción
• Fiabilidad 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 imagen
4. Reentrenar el modelo con iteraciones adicionales

¡Éxito! Su Sistema de Segmentación Está Listo

Ahora tiene un sistema de segmentación funcional que puede:

• Detectar automáticamente características o defectos específicos
• Medir áreas con precisión a nivel de píxel
• Aplicar lógica de aprobación/rechazo personalizada según sus requisitos
• Integrarse con sistemas de producción a través de controles de E/S

Opciones Avanzadas de Configuración

Lógica de Umbral Personalizada

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