Classifier vs. Segmenter

Dies ist die häufigste Frage beim Erstellen eines Rezepts. Hier ist ein klares Vorgehen.

In Aktion sehen — 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 interaktiver Classifier-Playground
• Understanding Segmenter — Masken auf Pixelebene, Paletten, Zählen und Messen; ein malstift-ähnlicher Segmenter-Playground

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 in Stapel vor. Die KI betrachtet den gesamten Ausschnitt und sagt „dies kommt in den Pass-Stapel" oder „dies kommt in 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
• Die Labeling-Geschwindigkeit wichtig ist (Classifier lassen sich viel schneller labeln)
• Sie das Vorhandensein/Fehlen eines Merkmals prüfen
• Beispiele: Schraube vorhanden/fehlend, Stecker eingerastet/nicht eingerastet, Label korrekt/falsch

Für eine ausführliche Erläuterung 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 generieren — beschreiben Sie den Defekt in einfachem Englisch und erhalten Sie in Sekunden trainingsbereite Bilder.

Training Modes

Die Classification bietet zwei verschiedene Trainingsansätze:

Fast Classifier

• Zweck: Schnelles Setup und Testen
• Anwendungsfall: Rapid Prototyping und Proof-of-Concept
• Geschwindigkeit: Kürzere Trainingszeit
• Genauigkeit: Geringere Präzision
• Produktionsbereit: Nicht für den Produktionseinsatz empfohlen

Accurate/Production Classifier

• Zweck: Produktionsreife Inspektionen
• Anwendungsfall: Finaler Einsatz und Fertigung
• Geschwindigkeit: Längere Trainingszeit
• Genauigkeit: Höhere Präzision
• Produktionsbereit: Haupttrainingsmodell für beste Ergebnisse

Classification-Beispiele aus der Produktion

Erkennung loser Muttern (OEM-Montage)

Aufgabe: Identifizierung loser Muttern in mechanischen Baugruppen

Setup:

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

Ergebnis: Binäre Entscheidung – Mutter ist korrekt aufgesetzt oder lose

Wellensitz-Prüfung (OEM-Montage)

Aufgabe: Identifizierung teilweise eingesetzter Wellen

Setup:

• ROI: Rechteck über dem Wellenmontagebereich
• Classes:
  • Good - Vollständig eingesetzte Welle
  • Defect - Teilweise eingesetzte Welle
  • Defect - Vollständig herausstehende Welle

Ergebnis: Bauteil wird als korrekt montiert oder defekt kategorisiert

Kühlerlamellen-Inspektion (T1-Lieferantenfertigung)

Aufgabe: Prüfung auf Dellen in einzelnen Kühlerlamellen

Setup:

• ROI: Rechteck über der Kühlerlamellen-Anordnung
• Classes:
  • Good - Unbeschädigte Lamelle (Straight)
  • Defect - Verbogene/Beschädigte Lamellen (Bent)

Ergebnis: Der Classifier unterscheidet zwischen einer guten und einer schlechten Lamelle

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 die Stelle des Defekts, nicht nur, ob einer vorhanden ist.

Verwenden Sie einen Segmenter, wenn:

• Sie eine Defektlokalisierung auf Pixelebene benötigen (wo genau befindet sich der Kratzer?)
• Sie die Größe oder Fläche eines Defekts 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 im gleichen Maßstab, in dem Sie inspizieren werden

Ein Segmenter lernt nur die Größe und Textur der ihm gezeigten Defekte. Trainieren Sie ihn auf kleine Verunreinigungen, und ein großes Exemplar desselben Defekts kann die Linie passieren, wobei nur dessen Ränder oder verstreute Bereiche hervorgehoben werden – der Großteil des Defekts bleibt unmaskiert. Die Lösung besteht darin, Trainingsbeispiele einzubeziehen, die den gesamten Bereich der zu erwartenden Defektgrößen abdecken. Keine Proben mit großen Defekten? Verwenden Sie das Defect Creator Studio, um synthetische zu erzeugen.

Für eine ausführlichere Anleitung mit dem interaktiven 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

Erkennung von Oberflächendefekten (T1-Lieferantenmontage)

Aufgabe: Klebstoffaustritt identifizieren

Aufbau:

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

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

Spaltmaßmessung (T1-Lieferantenmontage)

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

Aufbau:

• ROI: Rechteck um den Spaltbereich
• Messlogik: Pass-Bedingung basierend auf Pixelflächenwerten
• Klassen:
  • Blaue Pixel zeigen, wie der 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

Aufbau:

• ROI: Rechteck um den interessierenden Bereich (ROI)
• Pixelklassen:
  • Gelbe Pixel zeigen, wie Farbe aussieht

Ergebnis: Erkennung von Farbspritzern auf Pixelebene

Inspektion mehrerer Merkmale gleichzeitig

Ein Segmenter kann durch die Definition separater Pixelklassen mehrere Merkmale gleichzeitig prüfen. Beispielsweise können Sie einen einzigen Segmenter trainieren, um Kratzer (Klasse 1), Dellen (Klasse 2) und Flecken (Klasse 3) in derselben ROI zu erkennen. Jede Klasse wird unabhängig trainiert, indem Pixel dieses Defekttyps mit einer anderen Bezeichnung 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 die gesamte ROI eine einzige Bezeichnung erhält. Bei der Segmentierung können mehrere Defekttypen im selben Bild nebeneinander existieren und jeder erhält seine eigene Maske auf Pixelebene.

Vergleich

Aspekt	Classifier	Segmenter
Was er Ihnen mitteilt	Kategorie (pass/fail/etc.)	Exakte Pixel des Defekts
Aufwand für Labeling	Gering: Klasse pro Bild auswählen	Hoch: Defekt-Pixel einfärben
Benötigte Daten	10-15 Bilder pro Klasse zum Start	Ähnlich, aber Labeling dauert länger
ROI-Größe	Funktioniert am besten mit kleinen ROIs	Verarbeitet größere ROIs besser
Am besten geeignet für	Anwesenheit/Abwesenheit, Kategorieentscheidungen	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
• Der gesamte ROI als eine von mehreren Klassen gelabelt werden kann
• Eine Gesamtzustandsbewertung ausreichend ist
• 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 vorkommen können
• Eine präzise Positionserfassung erforderlich ist
• Schnellste Zykluszeiten für die Produktion entscheidend sind

Am besten geeignet für: Oberflächendefekte, Spaltmessungen, Abdeckungsprüfung, Defekte mit variabler Position

Im Zweifel mit einem Classifier beginnen

Classifier sind schneller einzurichten, benötigen weniger Trainingsbilder und funktionieren gut für die meisten Pass/Fail-Inspektionen. Sie können später jederzeit zu einem Segmenter wechseln, wenn Sie pixelgenaue Details benötigen. Mit einem einfachen Einstieg können Sie Ihre Einrichtung schnell validieren.

Segmenter erfordern mehr Einrichtungszeit

Segmenter benötigen beim Labeling pixelgenaue Annotationen, was deutlich länger dauert als die Auswahl einer Klasse für einen Classifier. Planen Sie im Vergleich zu Classifiern zusätzliche Zeit für die initiale Einrichtung und das Labeling ein, insbesondere wenn Sie viele Trainingsbilder haben.

Die 512x512-Pixel-Verarbeitungsgrenze

Sowohl Classifier als auch Segmenter verarbeiten ROI-Ausschnitte mit einer maximalen Auflösung von 512x512 Pixel. 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 mit einer größeren ROI, wenn Sie einen weiten Bereich abdecken und gleichzeitig feine Defekte erkennen müssen.

Der Überschneidungsbereich

Es gibt echte Überschneidungen. Viele Inspektionen könnten mit beiden Ansätzen funktionieren. Wenn Sie unsicher 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 (kann keine kleinen Defekte in großen Bereichen erkennen oder Sie benötigen Messungen), 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	Anmerkungen
Fast Classifier	Klassifizierung	Nein	Schnelle Einrichtung für Tests und Prototyping
Accurate Classifier	Klassifizierung	Ja	Produktionsreif mit höherer Präzision
Accurate Segmenter	Segmentierung	Ja	Hochpräziser Einzelmodus, optimiert für den Produktionseinsatz

OV20i vs. OV80i

• OV20i: Wählen Sie einen Modus pro Rezept – entweder einen Classifier oder einen Segmenter
• OV80i: Multi-Modell-Unterstützung. Führen Sie einen Classifier und einen Segmenter gleichzeitig auf derselben Aufnahme innerhalb eines einzigen Rezepts aus. Verwenden Sie beispielsweise eine Classifier-ROI, um das Vorhandensein eines Bauteils zu prüfen (pass/fail), während eine Segmenter-ROI Oberflächenfehler am selben Bauteil erkennt. Beide Modelle laufen bei jedem Trigger und liefern unabhängige Ergebnisse.