Skip to main content

AI-POWERED DOCS

What do you want to know?

Sử Dụng Segmenter

Hướng dẫn này sẽ chỉ cho bạn cách tạo một quy trình kiểm tra segmentation hoàn chỉnh bằng khả năng segmentation dựa trên AI của OV80i. Bạn sẽ học cách phát hiện và phân tích các đặc điểm cụ thể như vết bút chì, vết trầy xước hoặc các lỗi khác bằng cách dạy camera nhận diện và đo lường các đặc điểm này theo từng pixel.

Hướng Dẫn Video

Xem chủ đề này trong thực tế: Cách tạo một recipe segmentation trong vài phút

Những Gì Bạn Sẽ Học:

  • Cách thiết lập một recipe segmentation từ đầu đến cuối
  • Cách huấn luyện một mô hình AI để nhận diện các đặc điểm cụ thể
  • Cách cấu hình logic pass/fail dựa trên kết quả segmentation
  • Cách tối ưu hóa hiệu suất segmentation cho môi trường sản xuất

Ứng Dụng Thực Tế: Hướng dẫn này sử dụng việc phát hiện vết bút chì làm ví dụ, nhưng các nguyên tắc tương tự cũng áp dụng cho việc phát hiện vết trầy xước, vết nứt, ô nhiễm hoặc bất kỳ đặc điểm nào có thể được phân biệt bằng mắt thường.

Điều Kiện Tiên Quyết​

  • Hệ thống camera OV80i đã được thiết lập và kết nối
  • Các mẫu bộ phận có đặc điểm bạn muốn phát hiện (ví dụ: các tờ giấy có vết bút chì)
  • Hiểu biết cơ bản về các khái niệm huấn luyện AI
  • Có quyền truy cập vào Recipe Editor và chức năng Node-RED

Tổng Quan Hướng Dẫn​

Những gì chúng ta sẽ xây dựng: Một mô hình segmentation có thể phát hiện vết bút chì trên các tờ giấy và xác định pass/fail dựa trên mức độ đánh dấu được phát hiện.

Thời gian yêu cầu: 45-60 phút (bao gồm thời gian huấn luyện)

Kỹ năng học được: Huấn luyện mô hình AI, chú thích segmentation, cấu hình logic pass/fail

Bước 1: Tạo Một Recipe Segmentation Mới​

1.1 Bắt Đầu Một Recipe Mới​

  1. Từ trang All Recipes, nhấp vào "+ New" ở góc trên bên phải
  2. Cửa sổ Add A New Recipe sẽ xuất hiện
  3. Nhập Name mô tả cho recipe của bạn (ví dụ: "Pencil_Mark_Detection")
  4. Chọn "Segmentation" từ menu thả xuống Recipe Type
  5. Nhấp vào "OK" để tạo recipe mới

Tại Sao Chọn Segmentation? Không giống như classification vốn xác định toàn bộ đối tượng, segmentation tìm và đo lường các đặc điểm cụ thể trong một hình ảnh, khiến nó hoàn hảo cho việc phát hiện lỗi, phân tích ô nhiễm hoặc đo lường các vùng phủ.

image.png

1.2 Kích Hoạt Và Mở Recipe Editor​

  1. Recipe mới của bạn sẽ xuất hiện trên trang All Recipes được đánh dấu là "Inactive"
  2. Chọn "Activate" ở bên phải của recipe

Activate button.png

  1. Nhấp vào "Activate and go to editor" để xác nhận và khởi chạy recipe editor

Điểm kiểm tra: Bạn sẽ thấy giao diện Recipe Editor với tên recipe segmentation của bạn trong menu breadcrumb.

Bước 2: Cấu Hình Chụp Ảnh Camera​

2.1 Truy Cập Cài Đặt Imaging​

  1. Trong Recipe Editor, nhấp vào "Configure Imaging" ở phía dưới bên trái
  2. Thao tác này sẽ mở trang cấu hình imaging, nơi bạn sẽ tối ưu hóa các cài đặt camera

image.png

2.2 Tối Ưu Hóa Cài Đặt Lấy Nét​

  1. Đặt một tờ mẫu có vết bút chì trong trường nhìn của camera
  2. Xoay vòng lấy nét trên ống kính cho đến khi vết bút chì trở nên sắc nét
  3. Đánh dấu Enable Focus View để xác nhận bạn đang ở điểm sắc nét nhất
  4. Sử dụng Focus View (nếu có) để xem đường viền được làm nổi bật và điểm số lấy nét

Mẹo Lấy Nét:

  • Lấy nét vào bề mặt nơi các lỗi sẽ xuất hiện
  • Đảm bảo vết bút chì hiển thị sắc nét và rõ ràng
  • Điểm số lấy nét cao hơn cho thấy chất lượng lấy nét tốt hơn

2.3 Cấu Hình Cài Đặt Phơi Sáng​

  1. Điều chỉnh thanh trượt Exposure để đạt được độ sáng phù hợp
  2. Vết bút chì phải rõ ràng mà không làm giấy bị phơi sáng quá mức
  3. Bắt đầu với cài đặt tự động và tinh chỉnh khi cần
  4. Theo dõi bản xem trước trực tiếp để thấy các thay đổi theo thời gian thực

Hướng Dẫn Phơi Sáng:

  • Vết bút chì phải có độ tương phản tốt so với giấy
  • Tránh phơi sáng quá mức làm mờ các vết nhỏ
  • Đảm bảo ánh sáng đồng đều trên toàn bộ khu vực kiểm tra

2.4 Thiết Lập Đèn LED​

  1. Chọn LED Light Pattern phù hợp cho ứng dụng của bạn
  2. Đối với vết bút chì, ánh sáng đồng đều thường hoạt động tốt nhất
  3. Điều chỉnh LED Light Intensity để giảm thiểu bóng đổ và chói
  4. Thử nghiệm các mẫu khác nhau nếu có vấn đề về phản xạ

2.5 Điều Chỉnh Gamma và Contrast​

  1. Tinh chỉnh Gamma để tăng cường độ tương phản giữa vết và nền
  2. Gamma cao hơn có thể làm cho các vết bút chì nhỏ rõ hơn
  3. Gamma thấp hơn có thể giảm nhiễu ở các khu vực sạch
  4. Cân bằng gamma để tối ưu hóa cả khả năng nhìn thấy lỗi và độ rõ của nền

2.6 Lưu Cài Đặt Hình Ảnh​

  1. Khi tất cả cài đặt đã được tối ưu hóa, nhấp vào "Save Imaging Settings"
  2. Cấu hình camera của bạn hiện đã được lưu cho recipe này
  3. Bản xem trước trực tiếp sẽ hiển thị hình ảnh rõ ràng, có độ tương phản tốt

Điểm Kiểm Tra: Camera của bạn phải tạo ra hình ảnh rõ ràng để dễ dàng phân biệt vết bút chì với nền giấy.

Bước 3: Cấu Hình Template và Alignment​

3.1 Điều Hướng Đến Template Image and Alignment​

  1. Nhấp vào Recipe Name trong menu breadcrumb để quay lại Recipe Editor
  2. Chọn "Template Image and Alignment" từ menu

3.2 Bỏ Qua Aligner Cho Hướng Dẫn Này​

  1. Vì chúng ta đang phát hiện các đặc điểm trên toàn bộ tờ giấy, hãy nhấp vào "Skip Aligner"
  2. Điều này vô hiệu hóa căn chỉnh dựa trên vị trí và sử dụng toàn bộ hình ảnh
  3. Nhấp vào "Save" để áp dụng các thay đổi

Khi Nào Sử Dụng Aligner: Kích hoạt aligner khi bạn cần phát hiện các đặc điểm ở các vị trí cụ thể trên các bộ phận có thể di chuyển hoặc xoay. Đối với kiểm tra toàn bộ tờ như vết bút chì, bỏ qua aligner thường là phù hợp.

image.png

Bước 4: Thiết Lập Vùng Kiểm Tra​

4.1 Điều Hướng Đến Inspection Setup​

  1. Quay lại Recipe Editor và chọn "Inspection Setup"
  2. Đây là nơi bạn sẽ xác định khu vực nào của hình ảnh cần phân tích

4.2 Cấu Hình Region of Interest (ROI)​

  1. Bạn sẽ thấy bản xem trước trường nhìn của camera
  2. Kéo các góc của hộp ROI để điều chỉnh kích thước và vị trí
  3. Để phát hiện vết bút chì, thường bao phủ toàn bộ khu vực tờ giấy
  4. Đảm bảo ROI bao gồm tất cả các khu vực mà vết bút chì có thể xuất hiện

Thực Hành Tốt Nhất Cho ROI:

  • Bao gồm tất cả các khu vực có thể xảy ra lỗi
  • Loại trừ các khu vực như cạnh hoặc nền không nên được phân tích
  • Làm cho ROI đủ lớn để nắm bắt các biến thể trong vị trí bộ phận
  • Tránh bao gồm văn bản, logo hoặc các dấu hiệu dự kiến khác

4.3 Lưu Cấu Hình ROI​

  1. Khi ROI của bạn đã được định vị đúng cách, nhấp vào "Save"
  2. Khu vực kiểm tra hiện đã được xác định cho mô hình segmentation của bạn

Bước 5: Gán Nhãn và Huấn Luyện Model​

5.1 Điều Hướng Đến Label and Train​

  1. Quay lại Recipe Editor và chọn "Label and Train"
  2. Đây là nơi bạn sẽ dạy AI nhận biết các vết bút chì trông như thế nào

image.png

5.2 Cấu Hình Inspection Class​

  1. Trong Inspection Types, nhấp "Edit"
  2. Đổi tên class thành "Pencil Mark" (hoặc loại lỗi cụ thể của bạn)
  3. Chọn một màu đặc trưng để hiển thị các vết được phát hiện
  4. Nhấp "Save" để áp dụng các thay đổi

5.3 Chụp Hình Ảnh Huấn Luyện​

  1. Chụp ít nhất 10 hình ảnh của các tấm với các vết bút chì khác nhau
  2. Đa dạng hóa các mẫu huấn luyện:
    • Các kích thước và hình dạng vết bút chì khác nhau
    • Vết đậm và vết nhạt
    • Các vị trí khác nhau trên tấm
    • Mật độ vết khác nhau

Mẹo Về Hình Ảnh Huấn Luyện:

  • Bao gồm cả các vết mờ nhạt và vết rõ ràng
  • Chụp các điều kiện ánh sáng khác nhau mà bạn sẽ gặp phải
  • Bao gồm các khu vực sạch không có vết trong mỗi hình ảnh
  • Đảm bảo hình ảnh đại diện cho các điều kiện sản xuất

5.4 Gán Nhãn Hình Ảnh Huấn Luyện​

  1. Với mỗi hình ảnh huấn luyện, sử dụng công cụ Brush để tô lên các vết bút chì
  2. Chỉ tô các vết bút chì - tránh tô lên giấy hoặc các đặc điểm khác
  3. Hãy chính xác nhưng đầy đủ trong việc gán nhãn
  4. Nhấp "Save Annotations" sau khi hoàn thành mỗi hình ảnh

Thực Hành Tốt Nhất Khi Gán Nhãn:

  • Nhất quán trong việc xác định thế nào là "vết bút chì"
  • Bao gồm toàn bộ vết, không chỉ một phần
  • Không gán nhãn các dấu hiệu dự kiến như văn bản hoặc logo
  • Sử dụng nét cọ ổn định, cẩn thận để có ranh giới chính xác

5.5 Xem Lại Các Chú Thích Của Bạn​

  1. Kiểm tra kỹ tất cả hình ảnh đã gán nhãn để đảm bảo độ chính xác
  2. Tìm các vết bị bỏ sót hoặc các khu vực bị gán nhãn không đúng
  3. Gán nhãn lại bất kỳ hình ảnh nào cần chỉnh sửa
  4. Chú thích chất lượng dẫn đến hiệu suất model tốt hơn

Bước 6: Huấn Luyện Model Segmentation​

6.1 Bắt Đầu Quá Trình Huấn Luyện​

  1. Sau khi bạn đã gán nhãn ít nhất 10 hình ảnh, nhấp "Return to Live"
  2. Nhấp "Train Segmentation Model"
  3. Nhập Number of Iterations cho quá trình huấn luyện

Hướng Dẫn Về Số Lần Lặp:

  • Bắt đầu với 100-200 lần lặp cho huấn luyện ban đầu
  • Nhiều lần lặp hơn thường cải thiện độ chính xác nhưng mất nhiều thời gian hơn
  • Theo dõi tiến trình huấn luyện và điều chỉnh khi cần
  • Cân bằng yêu cầu độ chính xác với thời gian huấn luyện

image.png

6.2 Theo Dõi Tiến Trình Huấn Luyện​

  1. Nhấp "Start Training" để bắt đầu quá trình
  2. Một cửa sổ hiển thị tiến trình huấn luyện sẽ xuất hiện cho thấy:
    • Số lần lặp hiện tại
    • Phần trăm độ chính xác của huấn luyện
    • Thời gian còn lại ước tính

6.3 Tùy Chọn Điều Khiển Huấn Luyện​

Trong quá trình huấn luyện, bạn có thể:

  • Abort Training - Dừng nếu bạn cần thực hiện thay đổi
  • Finish Training Early - Dừng khi độ chính xác đã đủ
  • Monitor Progress - Xem độ chính xác cải thiện qua các lần lặp

Mẹo Huấn Luyện:

  • Huấn luyện sẽ tự động kết thúc khi đạt được độ chính xác mục tiêu
  • Phần trăm độ chính xác cao hơn cho thấy hiệu suất model tốt hơn
  • Nếu độ chính xác chững lại, bạn có thể cần thêm dữ liệu huấn luyện

6.4 Đánh Giá Kết Quả Huấn Luyện​

  1. Khi quá trình huấn luyện hoàn tất, xem lại độ chính xác cuối cùng
  2. Nhấp vào "Live Preview" để xem kết quả phân đoạn theo thời gian thực
  3. Kiểm tra với các mẫu mới để xác minh hiệu suất mô hình

Chỉ Số Thành Công:

  • Các vết bút chì được đánh dấu bằng màu bạn đã chọn
  • Các khu vực sạch vẫn không được đánh dấu
  • Phát hiện nhất quán giữa các loại vết khác nhau
  • Mô hình phản hồi tốt với các mẫu mới, chưa từng thấy

Bước 7: Cấu Hình Logic Pass/Fail​

7.1 Điều Hướng Đến IO Block​

  1. Quay lại Recipe Editor và nhấp vào "Configure I/O" hoặc chọn "IO Block" từ menu breadcrumb

7.2 Thiết Lập Node-RED Flow​

  1. Xóa node Classification Block Logic hiện có
  2. Từ bảng palette bên trái, kéo vào:
    • Node All Block Outputs (nếu chưa có)
    • Node Function
    • Node Final Pass/Fail
  3. Kết nối các node: All Block Outputs → Function → Final Pass/Fail

image.png

7.3 Cấu Hình Logic Pass/Fail​

Nhấp đúp vào node Function và chọn một trong các ví dụ logic sau:

Tùy Chọn 1: Pass Nếu Không Phát Hiện Lỗi​

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

Tùy Chọn 2: Pass Nếu Tất Cả Các Vết Đều Nhỏ​

// 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;

Tùy Chọn 3: Pass Nếu Tổng Diện Tích Bao Phủ Thấp​

// 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 Triển Khai và Kiểm Tra Logic​

  1. Nhấp vào "Done" để lưu function
  2. Nhấp vào "Deploy" để kích hoạt logic
  3. Điều hướng đến HMI để kiểm tra logic pass/fail của bạn

Kiểm Tra Logic Của Bạn:

  • Kiểm tra với các tấm sạch (nên pass)
  • Kiểm tra với các tấm có vết nhẹ (nên pass/fail dựa trên tiêu chí của bạn)
  • Kiểm tra với các tấm có nhiều vết (nên fail)
  • Xác minh kết quả phù hợp với kỳ vọng của bạn

Bước 8: Tối Ưu Hóa và Xác Thực​

8.1 Kiểm Tra với Mẫu Sản Xuất​

  1. Chạy nhiều mẫu kiểm tra qua quy trình kiểm tra của bạn
  2. Xác minh rằng độ chính xác phát hiện đáp ứng yêu cầu của bạn
  3. Kiểm tra rằng logic pass/fail hoạt động chính xác
  4. Ghi lại bất kỳ vấn đề hoặc trường hợp đặc biệt nào

8.2 Tinh Chỉnh Hiệu Suất Mô Hình​

Nếu phát hiện không nhất quán:

  • Thêm nhiều hình ảnh huấn luyện với các ví dụ đa dạng
  • Cải thiện chất lượng và tính nhất quán của gán nhãn
  • Điều chỉnh cài đặt hình ảnh để có độ tương phản tốt hơn
  • Huấn luyện lại với các iteration bổ sung

Nếu logic pass/fail cần điều chỉnh:

  • Sửa đổi các giá trị ngưỡng trong function Node-RED của bạn
  • Thử nghiệm các phương pháp logic khác nhau
  • Xem xét nhiều tiêu chí cho các quyết định phức tạp
  • Xác thực với các yêu cầu sản xuất

8.3 Xác Thực Sản Xuất​

  1. Kiểm tra với các bộ phận sản xuất thực tế trong điều kiện thực
  2. Xác thực với nhóm chất lượng để đảm bảo tiêu chí phù hợp với yêu cầu
  3. Ghi lại các chỉ số hiệu suất như độ chính xác phát hiện và tỷ lệ báo động giả
  4. Thiết lập giám sát để theo dõi hiệu suất theo thời gian

Bước 9: Hiểu Kết Quả Segmentation​

9.1 Cấu Trúc Dữ Liệu Segmentation​

Kết quả segmentation của bạn bao gồm:

  • Blobs: Các đặc điểm được phát hiện riêng lẻ (vết bút chì)
  • Pixel Count: Kích thước của mỗi đặc điểm được phát hiện
  • Location Data: Vị trí tìm thấy các đặc điểm
  • Confidence Scores: Mức độ chắc chắn của mô hình về mỗi phát hiện

9.2 Sử Dụng Dữ Liệu Segmentation​

Bạn có thể tạo logic pass/fail phức tạp dựa trên:

  • Số lượng lỗi được phát hiện
  • Kích thước của từng lỗi riêng lẻ (pixel count)
  • Tổng diện tích lỗi (tổng của tất cả pixel count)
  • Vị trí lỗi (nơi lỗi xuất hiện)
  • Đặc điểm hình dạng lỗi (nếu cần cho các ứng dụng nâng cao)

Thành Công! Mô Hình Segmentation Của Bạn Đã Hoàn Thành​

Kiểm tra segmentation OV80i của bạn giờ đây có thể:

✅ Tự động phát hiện vết bút chì (hoặc các đặc điểm cụ thể của bạn) trong hình ảnh

✅ Đo lường kích thước và số lượng của các đặc điểm được phát hiện

✅ Đưa ra quyết định pass/fail dựa trên tiêu chí cụ thể của bạn

✅ Cung cấp thông tin chi tiết về mỗi đặc điểm được phát hiện

✅ Thích ứng với các biến thể về kích thước, hình dạng và vị trí của vết đánh dấu

Những Điểm Chính Cần Ghi Nhớ​

Segmentation vs. Classification:

  • Segmentation tìm và đo lường các đặc điểm cụ thể trong hình ảnh
  • Classification nhận dạng toàn bộ đối tượng hoặc điều kiện tổng thể
  • Sử dụng segmentation để phát hiện lỗi, phân tích nhiễm bẩn, hoặc đo lường độ phủ

Các Phương Pháp Tốt Nhất Khi Huấn Luyện:

  • Chất lượng của annotation quan trọng hơn số lượng
  • Bao gồm các ví dụ đa dạng trong tập huấn luyện của bạn
  • Kiểm tra kỹ lưỡng với các mẫu sản xuất
  • Giám sát và huấn luyện lại khi cần

Logic Pass/Fail:

  • Bắt đầu với tiêu chí đơn giản và thêm độ phức tạp khi cần
  • Kiểm tra logic với các trường hợp biên và mẫu ranh giới
  • Ghi chép tiêu chí của bạn để đảm bảo tính nhất quán
  • Cân nhắc nhiều yếu tố để đưa ra quyết định vững chắc

Các Bước Tiếp Theo​

Bây giờ bạn đã hoàn thành mô hình segmentation đầu tiên của mình:

  1. Áp dụng cho các trường hợp sử dụng khác - Thử phát hiện các loại lỗi hoặc đặc điểm khác nhau
  2. Tích hợp với hệ thống sản xuất - Kết nối với PLC hoặc hệ thống quản lý chất lượng
  3. Thiết lập thu thập dữ liệu - Theo dõi các chỉ số hiệu suất và thống kê phát hiện
  4. Đào tạo người vận hành - Đảm bảo đội ngũ hiểu cách giám sát và bảo trì hệ thống
  5. Lập kế hoạch bảo trì - Lên lịch cập nhật mô hình định kỳ và đánh giá hiệu suất

🔗 Xem Thêm​