Usando el Segmentador

Este tutorial lo guiará para crear una inspección de segmentación completa utilizando las capacidades de segmentación impulsadas por AI del OV20i. Aprenderá a detectar y analizar características específicas como marcas de lápiz, rayaduras u otros defectos enseñando a la cámara a identificar y medir estas características píxel por píxel.

Lo que aprenderá:

• Cómo configurar una receta de segmentación de principio a fin
• Cómo entrenar un modelo AI para reconocer características específicas
• Cómo configurar la lógica de aprobado/rechazado basada en los resultados de segmentación
• Cómo optimizar el rendimiento de la segmentación para uso en producción

Aplicación en el mundo real: Este tutorial usa la detección de marcas de lápiz como ejemplo, pero los mismos principios aplican para detectar rayaduras, grietas, contaminación o cualquier otra característica que pueda distinguirse visualmente.

Prerrequisitos

• Sistema de cámara OV20i configurado y conectado
• Piezas de muestra con las características que desea detectar (p. ej., hojas con marcas de lápiz)
• Conocimientos básicos de conceptos de entrenamiento AI
• Acceso al Editor de Recetas y funcionalidad de Node-RED

Resumen del Tutorial

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

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

Habilidades aprendidas: Entrenamiento de modelo AI, anotación de segmentación, configuración de 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 Recipe" en la esquina superior derecha
2. Aparecerá el modal Añadir Nueva Receta
3. Ingrese un Nombre descriptivo para su receta (p. ej., "Pencil_Mark_Detection")
4. Seleccione "Segmentation" en el 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 completos, la segmentación encuentra y mide características específicas dentro de una imagen, siendo ideal para detección de defectos, análisis de contaminación o medición de áreas de cobertura.

1.2 Activar su Receta

1. Su nueva receta aparecerá en la página All Recipes marcada como "Inactive"
2. Seleccione "Actions > Activate" a la derecha de la receta
3. Haga clic en "Activate" para confirmar
4. El estado de la receta cambiará a "Active"

1.3 Entrar al Editor de Recetas

1. Haga clic en "Edit" junto a su receta activa
2. Haga clic en "Open Editor" para confirmar
3. Ahora estará en el Editor de Recetas con su receta de segmentación

Punto de control: Debe 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 Imagen de la Cámara

2.1 Acceder a 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 Ajustes de Enfoque

1. Coloque una hoja de muestra con marcas de lápiz en el campo de visión de la cámara
2. Use el deslizador 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. 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 se vean nítidas y bien definidas
• Una puntuación de enfoque más alta indica mejor calidad de enfoque

2.3 Configurar Ajustes de Exposición

1. Ajuste el deslizador 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 afine según sea necesario
4. Monitoree la vista previa en vivo para ver los cambios en tiempo real

Guías de Exposición:

• Las marcas de lápiz deben tener buen contraste contra el papel
• Evite la sobreexposición que borre marcas sutiles
• Asegure iluminación consistente en toda el área de inspección

2.4 Configurar Iluminación LED

1. Seleccione el Patrón de Luz LED adecuado para su aplicación
2. Para marcas de lápiz, generalmente funciona mejor una iluminación uniforme
3. Ajuste la Intensidad de Luz LED para minimizar sombras y reflejos
4. Pruebe diferentes patrones si las reflexiones son un problema

2.5 Ajustar Gamma y Contraste

1. Ajuste finamente el Gamma para mejorar el contraste entre marcas y fondo
2. Un gamma más alto puede hacer que marcas sutiles sean más visibles
3. Un gamma más bajo puede reducir ruido en áreas limpias
4. Equilibre el gamma para optimizar visibilidad de defectos y claridad del fondo

2.6 Guardar Configuración de Imagen

1. Una vez optimizados todos los ajustes, haga clic en "Save Imaging Settings"
2. La configuración de la cámara se guardará para esta receta
3. La vista previa en vivo debe mostrar imágenes claras y con buen contraste

Punto de control: Su cámara debe producir imágenes claras donde las marcas de lápiz sean fácilmente distinguibles del fondo del 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 "Template Image and Alignment" en el menú

3.2 Omitir Alineador para Este Tutorial

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

Cuándo Usar el Alineador: Active el alineador cuando necesite detectar características en ubicaciones específicas de las piezas que pueden moverse o rotar. Para inspección de hoja completa como marcas de lápiz, omitir el alineador suele ser lo más adecuado.

Paso 4: Configurar Región de Inspección

4.1 Navegar a Configuración de Inspección

1. Regrese al Editor de Recetas y seleccione "Inspection Setup"
2. Aquí definirá qué área de la imagen analizar

4.2 Configurar Región de Interés (ROI)

1. Verá una vista previa del campo visual de su cámara
2. Arrastre las esquinas del cuadro ROI para ajustar su tamaño y posición
3. Para detección de marcas de lápiz, normalmente cubra toda el área de la hoja
4. Asegúrese de que el ROI abarque todas las áreas donde puedan aparecer marcas de lápiz

Buenas Prácticas para ROI:

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

4.3 Guardar Configuración del ROI

1. Una vez que el ROI esté correctamente posicionado, haga clic en "Save"
2. El área de inspección queda 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 "Label and Train"
2. Aquí enseñará a la AI cómo son las marcas de lápiz

5.2 Configurar Clase de Inspección

1. En Inspection Types, haga clic en "Edit"
2. Renombre la clase a "Pencil Mark" (o el tipo de defecto específico)
3. Elija un color distintivo para visualizar las marcas detectadas
4. Haga clic en "Save" para aplicar los cambios

5.3 Capturar Imágenes para 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 marcas tanto sutiles como evidentes
• 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 "Save Annotations" después de completar cada imagen

Buenas 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 firmes y cuidadosos para límites precisos

5.5 Revisar sus Anotaciones

1. Revise todas las imágenes etiquetadas para asegurar precisión
2. Busque marcas omitidas o áreas mal etiquetadas
3. Reanote cualquier imagen que necesite corrección
4. Anotaciones de calidad conducen a mejor desempeño 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 "Return to Live"
2. Haga clic en "Train Segmentation Model"
3. Ingrese el Número de Iteraciones para el entrenamiento

Guía de Iteraciones:

• Comience con 100-200 iteraciones para el entrenamiento inicial
• Más iteraciones generalmente mejoran la precisión pero toman más tiempo
• 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 "Start Training" para comenzar el proceso
2. Aparecerá un modal de progreso mostrando:
   • 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 la mejora de precisión en las iteraciones

Consejos de Entrenamiento:

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

6.4 Evaluar Resultados del Entrenamiento

1. Cuando el entrenamiento termine, revise la precisión final
2. Haga clic en "Live Preview" para ver resultados de segmentación en tiempo real
3. Pruebe con nuevas muestras para verificar el desempeño 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 en 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 IO

1. Regrese al Editor de Recetas y seleccione "IO Block"
2. Asegúrese de que todos los AI Blocks aparezcan como "trained (green)" antes de continuar
3. Haga clic en "Configure I/O" para entrar al editor Node-RED

7.2 Configurar Flujo en Node-RED

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

7.3 Configurar la Lógica de Aprobación/Rechazo

Haga doble clic en el nodo Function y elija uno de estos ejemplos de lógica:

Opción 1: Aprobar si No se Detectan Defectos

// Aprobar si no se encuentran marcas de lápiz
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

// Aprobar si todas las marcas son menores al umbral
const threshold = 500; // píxeles
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

// Aprobar si el área total marcada está por debajo del umbral
const threshold = 5000; // total de píxeles
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 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/reprobar según sus criterios)
• Pruebe con hojas muy marcadas (deberían reprobar)
• 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 aprobación/rechazo funcione correctamente
4. Documente cualquier problema o caso límite

8.2 Ajustar el Rendimiento del Modelo

Si la detección es inconsistente:

• Añada más imágenes de entrenamiento con ejemplos variados
• Mejore la calidad y consistencia de las anotaciones
• Ajuste la configuración de imagen para mejor contraste
• Reentrene con iteraciones adicionales

Si la lógica de aprobación/rechazo necesita ajuste:

• Modifique los valores de umbral en su función Node-RED
• Pruebe diferentes enfoques lógicos
• Considere múltiples criterios para decisiones complejas
• Valide con los requisitos de producción

8.3 Validación en Producción

1. Pruebe con piezas reales de producción en condiciones reales
2. Valide con el equipo de calidad para asegurar que los criterios coincidan con los requisitos
3. Documente métricas de desempeño como precisión de detección y tasas de falsos positivos
4. Configure monitoreo para seguir el desempeño a lo largo del tiempo

Paso 9: Entendiendo los Resultados de Segmentación

9.1 Estructura de Datos de Segmentación

Sus resultados de segmentación incluyen:

• Blobs: características individuales detectadas (marcas de lápiz)
• Pixel Count: tamaño de cada característica detectada
• Location Data: ubicación donde se encontraron las características
• Confidence Scores: nivel de certeza del 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 (pixel count)
• Área total de defectos (suma de todos los pixel count)
• Ubicación de defectos (dónde aparecen los defectos)
• Características de forma de defectos (si se requiere 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 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 tamaño, forma y posición de las marcas

Puntos Clave

Segmentación vs Clasificación:

• Segmentación encuentra y mide características específicas dentro de imágenes
• Clasificación identifica objetos completos o condiciones generales
• Use segmentación para detección de defectos, análisis de contaminación o medición de cobertura

Buenas Prácticas de Entrenamiento:

• Anotaciones de calidad son más importantes que 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 agregue complejidad según se requiera
• Pruebe la lógica con casos límite y muestras borderline
• Documente sus criterios para mantener consistencia
• Considere múltiples factores para decisiones robustas

Próximos Pasos

Ahora que ha completado su primer modelo de segmentación:

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

🔗 Véase También

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