KI-GESTÜTZTE DOKUMENTATION
Was möchten Sie wissen?
Classifier vs. Segmenter
Für die Defekterkennung auf Pixelebene oder die gleichzeitige Inspektion mehrerer Merkmale sollten Sie die OV20i oder OV80i in Betracht ziehen, die Segmentierungsmodelle unterstützen.
Diese Seite erläutert die beiden im OV10i-System verfügbaren AI-Modelltypen und hilft Ihnen bei der Auswahl des richtigen Ansatzes für Ihre Inspektionsanforderungen.
Für visuelle Erklärungen mit Diagrammen und einer praxisorientierten Spielwiese:
- Understanding Classifier — wie Types, Classes und ROIs verschachtelt werden; eine Live-Classifier-Spielwiese (OV10i)
- Understanding Segmenter — pixelgenaue Masken, Paletten, Zählung und Vermessung; eine Paint-ähnliche Segmenter-Spielwiese (OV20i, da die OV10i nur Klassifizierung unterstützt)
Die OV10i verfügt nicht über Segmentierungsfunktionen.
Verwenden Sie das Defect Creator Studio, um fotorealistische synthetische Defektbilder zu erzeugen — beschreiben Sie den Defekt in einfachem Englisch und erhalten Sie in Sekunden trainingsbereite Bilder.
Zwei Projekttypen
Die OV10i bietet zwei verschiedene AI-Modellansätze für unterschiedliche Inspektionsanforderungen:
- Classification – Der „Cats vs. Dogs"-Ansatz
- Segmentation – Der „Where's Waldo?"-Ansatz
Classification-Modelle
Was ist Classification?
Erstellen Sie ein Classification-Recipe, um ein Deep-Learning-Modell darauf zu trainieren, ein Bild anhand seiner visuellen Merkmale in verschiedene Klassen einzuordnen.
Der „Cats vs. Dogs"-Ansatz: Classification eignet sich am besten für Projekte, bei denen das Bild einer von wenigen diskreten Zuständen sein kann (z. B. gut vs. schlecht, aber mit beliebiger Anzahl an Klassen).
Classification-Trainingsmodi
Classification bietet zwei verschiedene Trainingsansätze:
⚡ Fast Classifier
- Zweck: Schnelle Einrichtung und Tests
- Anwendungsfall: Rapid Prototyping und Proof-of-Concept
- Geschwindigkeit: Schnellere Trainingszeit
- Genauigkeit: Geringere Präzision
- Production Ready: ❌ Nicht für den Produktionseinsatz empfohlen
Accurate/Production Classifier
- Zweck: Produktionsreife Inspektionen
- Anwendungsfall: Finaler Einsatz und Fertigung
- Geschwindigkeit: Längere Trainingszeit
- Genauigkeit: Höhere Präzision
- Production Ready: ✅ Haupttrainingsmodell für beste Ergebnisse
Classification-Beispiele aus der Produktion
Beispiel 1: Erkennung loser Muttern (OEM-Montage)
Aufgabe: Lose Muttern in mechanischen Baugruppen identifizieren
Setup:
- ROI: Rechteck um den Mutternbereich
- Classes:
- ✅ Good – Ordnungsgemäß angezogene Mutter (Pass 100 %)
- ❌ Defect – Lose Mutter (Fail 98 %)
Ergebnis: Binäre Entscheidung – Mutter sitzt korrekt oder ist lose
Beispiel 2: Überprüfung der Wellensitz-Position (OEM-Montage)
Aufgabe: Teilweise eingesetzte Wellen identifizieren
Setup:
- ROI: Rechteck über dem Wellenmontagebereich
- Classes:
- ✅ Good – Vollständig eingesetzte Welle
- ❌ Defect – Teilweise eingesetzte Welle
- ❌ Defect – Vollständig herausstehende Welle
Ergebnis: Bauteil wird als ordnungsgemäß montiert oder fehlerhaft eingestuft
Beispiel 3: Inspektion verbogener Pins (T1-Zuliefererfertigung)
Aufgabe: Auf verbogene Pins prüfen
Setup:
- ROI: Rechteck über dem Pin-Array des Kühlers
- Classes:
- ✅ Good – Unbeschädigter Pin (gerade)
- ❌ Defect – Verbogene/beschädigte Pins (verbogen)
Ergebnis: Der Classifier unterscheidet zwischen einem guten und einem fehlerhaften Pin
Segmentation-Modelle
Was ist Segmentation?
Erstellen Sie ein Segmentation-Recipe, um ein Deep-Learning-Modell darauf zu trainieren, ein Bild anhand markierter Defekte auf Pixelebene in Klassen zu segmentieren. Durch die Arbeit auf Pixelebene eignet sich dieses Werkzeug für Inspektionen, die eine feinere Kontrolle über Labels erfordern.
Der „Where's Waldo?"-Ansatz: Segmentation eignet sich am besten für Projekte, bei denen Defekte verschiedene Formen und Größen annehmen und an unterschiedlichen Stellen auftreten können (z. B. Suche nach Kratzern und Dellen).
Segmentation-Trainingsmodus
Nur Accurate/Production
- Zweck: Produktionsreife Analyse auf Pixelebene
- Training: Einzelner Hochgenauigkeitsmodus
- Geschwindigkeit: Längere Trainingszeit für präzise Pixelklassifizierung
- Genauigkeit: Hohe Präzision für detaillierte Defektkartierung
- Production Ready: ✅ Optimiert für Fertigungsumgebungen
Segmentation-Beispiele aus der Produktion
Beispiel 1: Erkennung von Oberflächendefekten (T1-Zuliefermontage)
Aufgabe: Klebstoffaustritt identifizieren
Setup:
- ROI: Rechteck um die Ventiloberfläche
- Pixel Classes:
- Klebstoff (gelbe Pixel)
Ergebnis: Gelbe Markierungen zeigen genau, was das AI-Modell als Defekte erkannt hat; Rohbilder werden zur Referenz angezeigt
Beispiel 2: Messung der Spaltgröße (T1-Zuliefermontage)
Aufgabe: Überprüfen, ob der Spalt der Inspektion die richtige Größe hat
Setup:
- ROI: Rechteck um den Spaltbereich
- Messlogik: Pass-Bedingung basierend auf Pixelflächenwerten
- Classes:
- Blaue Pixel zur Schulung, wie der Abstand aussieht
- ✅ Good – Fläche <100 Pixel (Pass)
- ❌ Defect – Fläche > 100 Pixel (Fail)
Ergebnis: Präzise Messung der Spaltgröße mit exakter Pixelanzahl
Beispiel 3: Farbspritzer
Aufgabe: Sicherstellen, dass keine Farbspritzer vorhanden sind
Setup:
- ROI: Rechteck um den Bereich von Interesse (ROI)
- Pixel Classes:
- Gelbe Pixel zur Schulung, wie Farbe aussieht
Ergebnis: Erkennung von Farbspritzern auf Pixelebene
Wann welches Modell wählen
Wählen Sie Classification, wenn:
Diskrete Zustandsentscheidungen:
- ✅ Sie eine einfache Gut/Schlecht-Kategorisierung benötigen
- ✅ Die gesamte ROI als eine von mehreren Klassen gekennzeichnet werden kann
- ✅ Eine Gesamtzustandsbewertung ausreichend ist
- ✅ Feste Defektpositionen zu erwarten sind
- ✅ Längere Zykluszeiten während der Inspektion akzeptabel sind
Geeignet für: Go/No-Go-Entscheidungen, Vorhandensein/Fehlen von Bauteilen, Gesamtqualitätsbewertung
Wählen Sie Segmentation, wenn:
Analyse variabler Positionen:
- ✅ Defekte überall im Inspektionsbereich auftreten können
- ✅ Sie Größe oder Fläche von Defekten messen müssen
- ✅ Mehrere Defekttypen in einem Bild vorhanden sein können
- ✅ Eine präzise Positionskartierung erforderlich ist
- ✅ Kürzeste Zykluszeiten für die Produktion entscheidend sind
Geeignet für: Oberflächendefekte, Spaltmessungen, Abdeckungsprüfungen, Fehler an variablen Positionen
Leistungsvergleich
Zykluszeit-Performance
| Modelltyp | Inspektionsgeschwindigkeit | Bester Anwendungsfall |
|---|---|---|
| Segmentation | ⚡ Am schnellsten | Hochgeschwindigkeits-Produktionslinien |
| Classification (Accurate) | Langsamer | Qualitätskritische Inspektionen |
| Classification (Fast) | Mittel | Tests und Prototyping |
Segmentation-Modelle bieten die schnellsten Inspektionszykluszeiten und sind daher ideal für Produktionsumgebungen mit hohem Durchsatz.
Zusammenfassung der Trainingsmodi
Classification-Trainingsoptionen
- Fast Mode: Schnelle Einrichtung für Tests (nicht produktionsreif)
- Accurate Mode: Produktionsreif mit höherer Präzision
Segmentation-Trainingsoptionen
- Nur Accurate Mode: Einzelner hochpräziser Modus, optimiert für die Produktion