FrothSeg — Laboratorio de Segmentación de Instancias de Espuma de Flotación (ML en el Navegador)
Un laboratorio nativo del navegador para segmentación de instancias de espuma de flotación: delimita burbujas individuales en una imagen de espuma, enteramente del lado del cliente vía ONNX, y compara una escalera de siete métodos clásicos contra un modelo de investigación real publicado. Ese modelo, LamellaStar, es una red de cuatro cabezas entregada como un ensemble de media de logits de tres semillas (N1: mean AP 0.5186, AP50 0.8279, PQ 0.7359), con SAM2 y Cellpose-SAM como teachers offline y una cabeza de máscara destilada para el navegador. El núcleo honesto es la situación de datos, declarada abiertamente: no existen imágenes reales de espuma públicamente (la búsqueda se registra como nula, Roboflow descartado), así que los casos de espuma son sintéticos y BBBC038 (64 imágenes reales de instancias densas y en contacto, CC0) sirve como lane de transferencia de dominio adyacente que el laboratorio dice explícitamente que NO despeja el bloqueador de espuma. El estudio incluso refutó su propia hipótesis: el ranking de espuma es específico del generador y el modelo cae en la transferencia real.
Contexto de Negocio
La imagen de espuma es una palanca real en el control de flotación, y un segmentador por burbuja es el front end para analítica de tamaño de burbuja y carga. El valor que una pieza de portafolio como esta agrega no es un número de exactitud sospechosamente alto, es un mapa honesto de lo que la visión de espuma puede y no puede hacer hoy: qué método clásico es una base sólida, qué compra un modelo aprendido destilado, y, crucialmente, que el campo está bloqueado por la ausencia de datos públicos reales de espuma, un hecho que la mayoría de los proveedores escondería tras un benchmark sintético. Conocer el bloqueador vale más para un tomador de decisiones que un puntaje sintético favorecedor.
Valor Estratégico
FrothSeg es un laboratorio honesto de segmentación de instancias con ML en el navegador que entrega un modelo real publicado (LamellaStar, un ensemble de tres semillas con teachers SAM2/Cellpose-SAM) y se niega a fingir lo que al campo le falta: documenta que no existe dataset público real de espuma, registra la búsqueda de datos como nula, y usa un dominio real adyacente (BBBC038) como sonda de transferencia que dice explícitamente que no despeja el bloqueador de espuma. Incluso refutó su propia hipótesis, publicando que el ranking sintético es específico del generador. Es la disciplina de resultados negativos honestos aplicada a un problema de visión con hambre de datos: un modelo real, una escalera clásica real, números de transferencia reales, y un límite declarado en voz alta, todo corriendo del lado del cliente.
El Desafío
La espuma de flotación lleva información que un operador de planta quiere: distribución de tamaño de burbuja, coalescencia, carga, todo legible desde una imagen de la superficie de la celda. Convertir esa imagen en instancias por burbuja es el problema difícil de visión por computador: objetos densos, en contacto, translúcidos y sin bordes nítidos. Y el campo tiene un bloqueador que la mayoría de las herramientas ignora en silencio: esencialmente no hay dataset público etiquetado de espuma real, así que cualquiera que afirme un segmentador de espuma entrenado usa datos privados o entrena sobre imágenes sintéticas y espera que transfiera. La pregunta honesta no es "puede segmentar una burbuja sintética" sino "sobrevive algo de esto al contacto con imágenes reales, y si no hay datos reales de espuma, decirlo".
Nuestro Enfoque
FrothSeg corre segmentación de instancias de espuma enteramente en el navegador (inferencia ONNX, sin servidor) y compara dos capas sobre los mismos casos. La capa clásica son siete métodos (delineadores basados en watershed y morfología relacionada). La capa aprendida es LamellaStar, un modelo de investigación real de cuatro cabezas publicado como ensemble de media de logits de tres semillas (su configuración top, N1, puntúa mean AP 0.5186, AP50 0.8279, calidad panóptica 0.7359), destilado a una cabeza de máscara compacta para inferencia del lado del cliente, con SAM2 y Cellpose-SAM como teachers offline (checkpoints con checksum registrado, sin redistribuir pesos de teacher). En datos es deliberada y ruidosamente honesto: no existen imágenes reales de espuma públicamente, y el repo registra la búsqueda como resultado nulo (incluido descartar Roboflow), así que los casos de espuma son sintéticos. Para sondear el comportamiento real sin espuma real, adopta BBBC038 (64 fotografías reales de instancias densas y en contacto, CC0) como lane de transferencia de dominio adyacente, y declara claramente que un dominio real adyacente no despeja el bloqueador de espuma. El estudio de transferencia refutó su propia hipótesis: el ranking de espuma sintética es específico del generador y el modelo se degrada en la transferencia real, y ese nulo se publica en vez de esconderse.
Indicadores Clave de Rendimiento
| KPI | Línea Base | Resultado | Impacto |
|---|---|---|---|
| El bloqueador de datos, declarado | Afirmar un segmentador de espuma entrenado y esconder que no hay datos públicos reales de espuma | Registra abiertamente que no existe dataset público real de espuma (búsqueda como nula, Roboflow descartado); los casos de espuma son sintéticos y etiquetados como tal | Conoces el bloqueador real, no un puntaje sintético que lo esconde |
| Un modelo real publicado | Una base aprendida vaga | LamellaStar: red de cuatro cabezas como ensemble de media de logits de tres semillas (N1 mean AP 0.5186, AP50 0.8279, PQ 0.7359), teachers SAM2/Cellpose-SAM, cabeza de máscara destilada para el navegador | Un modelo concreto y reproducible con números reales |
| Hipótesis auto-refutada | Reportar solo los aciertos | El estudio de transferencia se refutó a sí mismo: el ranking de espuma sintética es específico del generador y el modelo cae en la transferencia real (BBBC038), publicado no escondido | El resultado negativo honesto es el entregable |
Arquitectura
frothseg pipeline
Stack Tecnológico
Reel
Un reel corto y compuesto del producto.
En acción
Un recorrido corto por la app en vivo: la interfaz real, grabada desde el sitio desplegado.
Capturas de la Aplicación
