Uso del segmentador

Este tutorial le guiará a través de la creación de una inspección de segmentación completa utilizando las capacidades de Segmentación con IA de la 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.

Guía en video

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

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/rechazado según los resultados de la 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 aplican para detectar rayones, grietas, contaminación o cualquier otra característica que pueda distinguirse visualmente.

Prerrequisitos

• Sistema de cámara OV80i 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 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 aprobado/rechazado según la cantidad de marcas detectadas.

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

Habilidades aprendidas: entrenamiento de modelos de IA, anotación de segmentación, configuración de la lógica de aprobado/rechazado

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 modal Add A New Recipe
3. Ingrese un Name descriptivo para su receta (por ejemplo, "Pencil_Mark_Detection")
4. Seleccione "Segmentation" en el menú desplegable Recipe Type
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 medición de 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 ejecutar 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 navegación.

Paso 2: Configurar la generación de imágenes de la cámara

2.1 Acceder a la configuración de imagen

1. En el editor de recetas, haga clic en "Configure Imaging" en la parte 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. Gire el anillo de enfoque del lente hasta que las marcas de lápiz estén nítidas
3. Marque Enable Focus View para confirmar que se encuentra en el punto más nítido
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 los 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 de Exposición para lograr el brillo adecuado
2. Las marcas de lápiz deben ser claramente visibles sin sobreexponer el papel
3. Comience con ajustes automáticos y ajuste con precisión según sea necesario
4. Monitoree la Vista Previa en Vivo para ver los cambios en tiempo real

Pautas de Exposición:

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

2.4 Configurar la Iluminación LED

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

2.5 Ajustar Gamma y Contraste

1. Ajuste con precisión el Gamma para mejorar el contraste entre las marcas y el fondo
2. Un gamma más alto puede hacer más visibles las marcas de lápiz sutiles
3. Un gamma más bajo puede reducir el ruido en áreas limpias
4. Equilibre el gamma para optimizar tanto la visibilidad de defectos como la claridad del fondo

2.6 Guardar Configuración de Imagen

1. Una vez que todos los ajustes estén optimizados, haga clic en "Guardar Configuración de Imagen"
2. La configuración de su 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 navegación para regresar al editor de recetas
2. Seleccione "Imagen de Plantilla y Alineación" del menú

3.2 Omitir el Alineador para Este Tutorial

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

Cuándo Usar el Alineador: Habilite el alineador cuando necesite detectar características en ubicaciones específicas de piezas que puedan moverse o rotar. Para la inspección de hoja completa como marcas de lápiz, omitir el alineador suele ser apropiado.

Paso 4: Configurar la Región de Inspección

4.1 Navegar a la 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 de ROI para ajustar su tamaño y posición
3. Para la detección de marcas de lápiz, generalmente cubra toda el área de la hoja
4. Asegúrese de que el ROI abarque todas las áreas donde puedan aparecer marcas de lápiz

Mejores Prácticas para el ROI:

• Incluya todas las áreas donde puedan ocurrir defectos
• Excluya áreas como bordes o fondos que no deban analizarse
• Haga el ROI lo suficientemente grande para capturar variaciones en el posicionamiento de las piezas
• Evite incluir texto, logotipos u otras marcas esperadas

4.3 Guardar Configuración del 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 Modelos

5.1 Navegar a Etiquetar y Entrenar

1. Regrese al editor de recetas y seleccione "Label and Train"
2. Aquí es donde le enseñará a la AI cómo se ven las marcas de lápiz

5.2 Configurar Clase de Inspección

1. En Inspection Types, haga clic en "Edit"
2. Cambie el nombre de la clase a "Pencil Mark" (o su tipo específico de defecto)
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
   • Diversas posiciones en la hoja
   • Diferentes densidades de marcas

Consejos para 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 las condiciones de producción

5.4 Anotar las Imágenes de Entrenamiento

1. Para cada imagen de entrenamiento, use la herramienta Brush para trazar sobre las marcas de lápiz
2. Pinte únicamente 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

Mejores prácticas de anotación:

• Sea consistente en lo que etiqueta como "marcas de lápiz"
• Incluya las marcas completas, no solo partes de ellas
• No etiquete marcas esperadas como texto o logotipos
• Use trazos firmes y cuidadosos para obtener límites precisos

5.5 Revisar sus Anotaciones

1. Verifique dos veces todas las imágenes etiquetadas para garantizar la 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 Modelos de Segmentación

6.1 Iniciar el 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 iteraciones:

• Comience con 100-200 iteraciones para el entrenamiento inicial
• Más iteraciones generalmente mejoran la precisión, pero toman más tiempo
• Supervise el progreso del entrenamiento y ajuste según sea necesario
• Equilibre los requisitos de precisión con el tiempo de entrenamiento

6.2 Supervisar el Progreso del entrenamiento

1. Haga clic en "Start Training" para comenzar el proceso
2. Aparecerá una ventana modal de progreso de entrenamiento que muestra:
   • Número de iteración actual
   • Porcentaje de precisión del entrenamiento
   • Tiempo restante estimado

6.3 Opciones de Control de entrenamiento

Durante el entrenamiento, puede:

• Abort Training - Deténgalo si necesita hacer cambios
• Finish Training Early - Deténgalo cuando la precisión sea suficiente
• Monitor Progress - Observe cómo mejora la precisión a lo largo de las iteraciones

Consejos de entrenamiento:

• El entrenamiento finalizará automáticamente cuando se alcance la precisión objetivo
• Los porcentajes de precisión más altos indican un mejor rendimiento del modelo
• Si la precisión se estanca, es posible que necesite más datos de entrenamiento

6.4 Evaluar Resultados del Entrenamiento

1. Cuando el entrenamiento finalice, 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 se resaltan en el color elegido
• Las áreas limpias permanecen sin marcar
• La detección es consistente entre diferentes tipos de marcas
• El modelo responde bien a nuevas muestras no vistas

Paso 7: Configurar la Lógica de aprobado/rechazado

7.1 Navegar al Bloque IO

1. Regrese al editor de recetas y haga clic en "Configurar I/O" o seleccione "Bloque IO" desde el menú de navegación

7.2 Configurar el Flujo de Node-RED

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

7.3 Configurar la Lógica de aprobado/rechazado

Haga doble clic en el nodo Function 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 Desplegar y Probar la Lógica

1. Haga clic en "Done" para guardar la función
2. Haga clic en "Deploy" para activar la lógica
3. Navegue al HMI para probar su lógica de aprobado/rechazado

Probando Su Lógica:

• Pruebe con hojas limpias (deberían aprobar)
• Pruebe con hojas ligeramente marcadas (deberían aprobar/rechazar según sus criterios)
• Pruebe con hojas muy marcadas (deberían 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. Compruebe que la lógica de aprobado/rechazado 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 las anotaciones
• Ajuste la configuración de imagen para un mejor contraste
• Reentrene con iteraciones adicionales

Si la lógica de aprobado/rechazado 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 cumplan con los requisitos
3. Documente las métricas de rendimiento como la precisión de detección y las tasas de falsos positivos
4. Configure el 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 individuales detectadas (marcas de lápiz)
• Conteo de Píxeles: Tamaño de cada característica detectada
• Datos de Ubicación: Dónde se encontraron las características
• Puntuaciones de confianza: Qué tan seguro está el modelo sobre cada detección

9.2 Uso de Datos de Segmentación

Puede crear una lógica sofisticada de aprobado/rechazado basada en:

• Cantidad 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 forma de los defectos (si se requiere para aplicaciones avanzadas)

¡Éxito! Su Modelo de Segmentación está Completo

Su inspección de Segmentación OV80i 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 aprobado/rechazado 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:

• La Segmentación encuentra y mide características específicas dentro de las imágenes
• La Clasificación identifica objetos completos o condiciones generales
• Utilice la Segmentación para la 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 aprobado/rechazado:

• Comience con criterios simples y agregue complejidad según sea necesario
• Pruebe la lógica con casos extremos y muestras límite
• Documente sus criterios para mantener consistencia
• Considere múltiples factores para tomar 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 recopilación de datos: rastree métricas de rendimiento y estadísticas de detección
4. Capacite a los operadores: asegúrese de que el equipo entienda cómo monitorear y mantener el sistema
5. Planifique el mantenimiento: programe actualizaciones periódicas del modelo y revisiones de rendimiento

🔗 Vea También

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