Classifier vs. Segmenter

Dies ist die häufigste Frage beim Erstellen eines Rezepts. Hier ist ein klarer Leitfaden.

Sehen Sie es in Aktion — interaktive Deep Dives

Für visuelle Erklärungen mit interaktiven Simulatoren, Diagrammen und einem praktischen Playground für jeden Modelltyp siehe:

• Understanding Classifier — wie Types, Classes und ROIs verschachtelt sind; ein Live-Classifier-Playground
• Understanding Segmenter — pixelgenaue Masken, Paletten, Zählung und Messung; ein Segmenter-Playground im Paint-Stil

Classifier

Ein Classifier betrachtet jeden ROI-Ausschnitt und ordnet ihn einer Kategorie zu: pass, fail, present, absent, scratched, good oder welchen Klassen Sie auch immer definieren.

Stellen Sie es sich wie das Sortieren von Karten auf Stapel vor. Die KI betrachtet den gesamten Ausschnitt und sagt: „Das gehört auf den Pass-Stapel" oder „Das gehört auf den Fail-Stapel."

Verwenden Sie einen Classifier, wenn:

• Sie pass/fail- oder Multi-Class-Entscheidungen benötigen
• Ihre ROIs klein genug sind, um den Defekt deutlich zu zeigen
• Labeling-Geschwindigkeit wichtig ist (Classifier sind viel schneller zu labeln)
• Sie das Vorhandensein/Nichtvorhandensein eines Merkmals prüfen
• Beispiele: Schraube vorhanden/nicht vorhanden, Stecker eingesetzt/nicht eingesetzt, Etikett korrekt/falsch

Für eine ausführlichere Anleitung mit dem interaktiven Playground lesen Sie Understanding Classifier.

Benötigen Sie Trainingsbilder?

Verwenden Sie das Defect Creator Studio, um fotorealistische synthetische Defektbilder für beide Ansätze zu erzeugen — beschreiben Sie den Defekt in einfachem Englisch und erhalten Sie in Sekunden trainingsbereite Bilder.

Trainingsmodi

Die Classification bietet zwei unterschiedliche Trainingsansätze:

Fast Classifier

• Zweck: Schnelle Einrichtung und Tests
• Anwendungsfall: Rapid Prototyping und Proof-of-Concept
• Geschwindigkeit: Kürzere Trainingszeit
• Genauigkeit: Geringere Präzision
• Produktionsreif: Nicht für den Produktionseinsatz empfohlen

Accurate/Production Classifier

• Zweck: Produktionsreife Inspektionen
• Anwendungsfall: Finale Bereitstellung und Fertigung
• Geschwindigkeit: Längere Trainingszeit
• Genauigkeit: Höhere Präzision
• Produktionsreif: Hauptsächliches Trainingsmodell für beste Ergebnisse

Classification-Beispiele aus der Produktion

Erkennung loser Muttern (OEM-Montage)

Aufgabe: Lose Muttern in mechanischen Baugruppen erkennen

Setup:

• ROI: Rechteck um den Mutternbereich
• Classes:
  • Good - Ordnungsgemäß angezogene Mutter (Pass 100%)
  • Defect - Lose Mutter (Fail 98%)

Ergebnis: Binäre Entscheidung – Mutter sitzt ordnungsgemäß oder ist lose

Überprüfung des Wellensitzes (OEM-Montage)

Aufgabe: Teilweise eingesetzte Wellen identifizieren

Setup:

• ROI: Rechteck, das den Wellenmontagebereich abdeckt
• Classes:
  • Good - Vollständig eingesetzte Welle
  • Defect - Teilweise eingesetzte Welle
  • Defect - Vollständig herausstehende Welle

Ergebnis: Bauteil wird als ordnungsgemäß installiert oder defekt kategorisiert

Inspektion verbogener Pins (T1-Zulieferer-Fertigung)

Aufgabe: Auf verbogene Pins prüfen

Setup:

• ROI: Rechteck, das das Kühlerpin-Array abdeckt
• Classes:
  • Good - Unbeschädigter Pin (Straight)
  • Defect - Verbogene/beschädigte Pins (Bent)

Ergebnis: Der Classifier unterscheidet zwischen einem guten und einem schlechten Pin

Segmenter

Ein Segmenter untersucht jeden ROI-Ausschnitt auf Pixelebene und identifiziert genau, welche Pixel zu einem Defekt gehören.

Stellen Sie es sich wie das Markieren mit einem Textmarker vor. Die KI umkreist genau, wo sich der Defekt befindet, nicht nur, ob einer existiert.

Verwenden Sie einen Segmenter, wenn:

• Sie eine Defektlokalisierung auf Pixelebene benötigen (wo genau befindet sich der Kratzer?)
• Sie Defektgröße oder -fläche messen müssen
• Ihre ROIs groß sein müssen, Sie aber nach kleinen Defekten suchen
• Sie mehrere Defekte in einer Region zählen müssen
• Beispiele: Oberflächenkratzer, Flecken, Risse, Schweißnahtqualität, Maßmessungen

Trainieren Sie Segmenter in derselben Skalierung, in der Sie inspizieren werden

Ein Segmenter lernt nur die Größe und Textur der ihm gezeigten Defekte. Trainieren Sie ihn auf kleine Verunreinigungen, und ein großes Stück desselben Defekts kann an der Linie ankommen, wobei nur dessen Kanten oder vereinzelte Bereiche markiert werden — der Großteil des Defekts bleibt unmaskiert. Die Lösung besteht darin, Trainingsbeispiele einzubeziehen, die das gesamte erwartete Spektrum der Defektgrößen abdecken. Keine Proben mit großen Defekten? Verwenden Sie das Defect Creator Studio, um synthetische zu generieren.

Für eine detailliertere Anleitung mit interaktivem Playground lesen Sie Understanding Segmenter.

Trainingsmodus

Die Segmentierung verwendet einen einzigen Trainingsmodus:

Accurate/Production Only

• Zweck: Produktionsreife Analyse auf Pixelebene
• Training: Einzelner Modus mit hoher Genauigkeit
• Geschwindigkeit: Längere Trainingszeit für präzise Pixelklassifizierung
• Genauigkeit: Hohe Präzision für detaillierte Defektkartierung
• Production Ready: Optimiert für Fertigungsumgebungen

Segmentierungsbeispiele aus der Produktion

Oberflächendefekterkennung (T1 Supplier Assembly)

Aufgabe: Klebstoffüberlauf identifizieren

Konfiguration:

• ROI: Rechteck um Ventiloberfläche
• Pixelklassen:
  • Klebstoff (gelbe Pixel)

Ergebnis: Gelbe Markierungen zeigen genau, was das KI-Modell als Defekte erkannt hat, mit Rohbildern zur Referenz

Spaltmaßmessung (T1 Supplier Assembly)

Aufgabe: Überprüfen, ob der Spalt der Inspektion die richtige Größe hat

Konfiguration:

• ROI: Rechteck um den Spaltbereich
• Messlogik: Pass-Bedingung basierend auf Pixelflächenwerten
• Klassen:
  • Blauer Pixel, der lehrt, wie Abstand aussieht
  • Gut – Fläche <100 Pixel (Pass)
  • Defekt – Fläche > 100 Pixel (Fail)

Ergebnis: Präzise Messung der Spaltgröße mit exakter Pixelanzahl

Erkennung von Farbspritzern

Aufgabe: Farbspritzer auf einer Oberfläche identifizieren

Konfiguration:

• ROI: Rechteck um die Region of Interest (ROI)
• Pixelklassen:
  • Gelber Pixel, um zu lehren, wie Farbe aussieht

Ergebnis: Erkennung von Farbspritzern auf Pixelebene

Mehrere Merkmale gleichzeitig inspizieren

Ein Segmenter kann mehrere Merkmale gleichzeitig inspizieren, indem separate Pixelklassen definiert werden. Beispielsweise können Sie einen einzelnen Segmenter darauf trainieren, Kratzer (Klasse 1), Dellen (Klasse 2) und Flecken (Klasse 3) im selben ROI zu erkennen. Jede Klasse wird unabhängig trainiert, indem Pixel des jeweiligen Defekttyps mit einem anderen Label markiert werden. Der Segmenter identifiziert alle Defekttypen in einem einzigen Durchgang und meldet, welche Pixel zu welcher Klasse gehören.

Dies unterscheidet sich von der Klassifizierung, bei der der gesamte ROI ein einziges Label erhält. Bei der Segmentierung können mehrere Defekttypen im selben Bild koexistieren, und jeder erhält seine eigene Maske auf Pixelebene.

Vergleich

Aspekt	Classifier	Segmenter
Was er Ihnen mitteilt	Kategorie (pass/fail/usw.)	Exakte Pixel des Defekts
Labeling-Aufwand	Gering: Klasse pro Bild auswählen	Hoch: Defektpixel einzeichnen
Benötigte Daten	10–15 Bilder pro Klasse zu Beginn	Ähnlich, aber Labeling dauert länger
ROI-Größe	Funktioniert am besten mit kleinen ROIs	Bewältigt größere ROIs besser
Am besten geeignet für	Anwesenheit/Abwesenheit, Kategorisierungsentscheidungen	Kratzer, Flecken, Messungen, pixelgenaue Erkennung

Zykluszeit-Leistung

Modelltyp	Inspektionsgeschwindigkeit	Bester Anwendungsfall
Segmentation	Am schnellsten	Hochgeschwindigkeits-Produktionslinien
Classification (Accurate)	Langsamer	Qualitätskritische Inspektionen
Classification (Fast)	Mittel	Tests und Prototyping

hinweis

Segmentation-Modelle bieten die schnellsten Inspektionszykluszeiten und sind damit ideal für Produktionsumgebungen mit hohem Durchsatz.

Wann welches Modell wählen

Classification wählen, wenn:

• Sie eine einfache Gut/Schlecht-Kategorisierung benötigen
• Die gesamte ROI als eine von mehreren Klassen gekennzeichnet werden kann
• Eine Gesamtzustandsbewertung ausreicht
• Feste Defektpositionen zu erwarten sind
• Sie ein schnelleres Labeling während der Einrichtung wünschen

Am besten geeignet für: Go/No-Go-Entscheidungen, Bauteilanwesenheit/-abwesenheit, Gesamtqualitätsbewertung

Segmentation wählen, wenn:

• Defekte überall im Inspektionsbereich auftreten können
• Sie Größe oder Fläche von Defekten messen müssen
• Mehrere Defekttypen in einem Bild vorhanden sein können
• Eine präzise Positionszuordnung erforderlich ist
• Schnellste Zykluszeiten für die Produktion entscheidend sind

Am besten geeignet für: Oberflächendefekte, Spaltmessungen, Abdeckungsprüfung, Fehler an variablen Positionen

Im Zweifelsfall mit einem Classifier beginnen

Classifier sind schneller einzurichten, benötigen weniger Trainingsbilder und eignen sich gut für die meisten Pass/Fail-Inspektionen. Wechseln Sie nur dann zu einem Segmenter, wenn Sie pixelgenaue Details, Defektmessungen oder die Erkennung kleiner Defekte innerhalb eines großen Inspektionsbereichs benötigen.

Segmenter erfordern mehr Einrichtungszeit

Segmenter erfordern pixelgenaue Annotationen beim Labeling, was deutlich länger dauert als das Labeling bei Classifiern. Planen Sie im Vergleich zu Classifiern zusätzliche Zeit für die Ersteinrichtung ein. Bei vielen zu kennzeichnenden Regionen summiert sich der Zeitaufwand schnell.

Die 512x512-Pixel-Verarbeitungsgrenze

Sowohl Classifier als auch Segmenter verarbeiten ROI-Ausschnitte mit einer maximalen Auflösung von 512x512 Pixeln. Jede ROI, die größer ist, wird vor der KI-Verarbeitung herunterskaliert, wodurch kleine Defekte unsichtbar werden können. Halten Sie Ihre ROIs so klein wie möglich, um Details zu erhalten, oder verwenden Sie einen Segmenter, wenn Sie einen größeren Bereich abdecken und dennoch feine Defekte erkennen müssen.

Der Überlappungsbereich

Es gibt tatsächliche Überschneidungen. Viele Inspektionen könnten mit beiden Ansätzen funktionieren. Wenn Sie sich nicht sicher sind:

1. Beginnen Sie mit einem Classifier. Er ist einfacher einzurichten und schneller zu labeln
2. Wenn Sie feststellen, dass der Classifier nicht präzise genug ist (kleine Defekte in großen Bereichen nicht erkennen kann oder Sie Messungen benötigen), wechseln Sie zu einem Segmenter
3. Fragen Sie den AI Assistant unter tools.overview.ai. Beschreiben Sie Ihre Anwendung, und er wird Ihnen den besten Ansatz empfehlen

Übersicht der Trainingsmodi

Trainingsmodus	Modelltyp	Produktionsreif	Hinweise
Fast Classifier	Klassifikation	Nein	Schnelle Einrichtung für Tests und Prototyping
Accurate Classifier	Klassifikation	Ja	Produktionsreif mit höherer Präzision
Accurate Segmenter	Segmentierung	Ja	Hochpräziser Einzelmodus, optimiert für den Produktionseinsatz

OV20i vs. OV80i

• OV20i: Pro Rezept eine Auswahl möglich – entweder ein Classifier oder ein Segmenter
• OV80i: Multi-Modell-Unterstützung. Kombinieren Sie beide in einem einzigen Rezept für dieselbe Aufnahme