Zum Hauptinhalt springen

KI-GESTÜTZTE DOKUMENTATION

Was möchten Sie wissen?

Classifier vs. Segmenter

Diese Seite erläutert die beiden im OV20i-System verfügbaren KI-Modelltypen und hilft Ihnen, den richtigen Ansatz für Ihre Inspektionsanforderungen zu wählen.

hinweis

OV10i verfügt nicht über Segmentierungsfunktionen.

Zwei Projekttypen​

Der OV20i bietet zwei unterschiedliche KI-Modellansätze für verschiedene Inspektionsanforderungen:

  • Classification – Der „Cats vs. Dogs"-Ansatz
  • Segmentation – Der „Where's Waldo?"-Ansatz

Classification Segmentation

Classification-Modelle​

Was ist Classification?​

Erstellen Sie eine Classification Recipe, um ein Deep-Learning-Modell zu trainieren, das ein Bild basierend auf seinen visuellen Merkmalen in verschiedene Klassen kategorisiert.

Der „Cats vs. Dogs"-Ansatz: Classification eignet sich am besten für Projekte, bei denen das Bild einem von mehreren diskreten Zuständen zugeordnet werden kann (z. B. gut vs. schlecht, jedoch mit beliebig vielen Klassen).

Classification-Trainingsmodi​

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​

Beispiel 1: Erkennung loser Muttern (OEM-Montage)​

Aufgabe: Identifizierung loser Muttern in mechanischen Baugruppen

Aufbau:

  • ROI: Rechteck um den Mutternbereich
  • Klassen:
  • ✅ Good – Ordnungsgemäß angezogene Mutter (Pass 100 %)
  • ❌ Defect – Lose Mutter (Fail 98 %)

Loose bolt

Ergebnis: Binäre Entscheidung – Mutter ist ordnungsgemäß sitzend oder lose

Beispiel 2: Überprüfung des Wellensitzes (OEM-Montage)​

Aufgabe: Identifizierung teilweise eingesetzter Wellen

Aufbau:

  • ROI: Rechteck, das den Montagebereich der Welle abdeckt
  • Klassen:
  • ✅ Good – Vollständig eingesetzte Welle
  • ❌ Defect – Teilweise eingesetzte Welle
  • ❌ Defect – Vollständig herausstehende Welle

Shaft Seating

Ergebnis: Die Komponente wird als ordnungsgemäß installiert oder defekt kategorisiert

Beispiel 3: Inspektion verbogener Pins (T1-Zulieferer-Fertigung)​

Aufgabe: Prüfung auf verbogene Pins

Aufbau:

  • ROI: Rechteck, das das Kühler-Pin-Array abdeckt
  • Klassen:
  • ✅ Good – Unbeschädigter Pin (gerade)
  • ❌ Defect – Verbogene/beschädigte Pins (verbogen)

Bent pin

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

Segmentation-Modelle​

Was ist Segmentation?​

Erstellen Sie eine Segmentation Recipe, um ein Deep-Learning-Modell zu trainieren, das ein Bild aufnimmt und Klassen auf Pixelebene basierend auf gekennzeichneten Defekten segmentiert. Durch die Arbeit auf Pixelebene eignet sich dieses Tool für Inspektionen, die eine feinere Kontrolle über Labels erfordern.

Der „Where's Waldo?"-Ansatz: Segmentation eignet sich am besten für Projekte, bei denen der Defekt eine Vielzahl von Formen und Größen annehmen kann und an verschiedenen Stellen auftritt (z. B. Suche nach Kratzern und Dellen).

Segmentation-Trainingsmodus​

Nur Accurate/Production

  • Zweck: Produktionsreife Analyse auf Pixelebene
  • Training: Einzelner hochpräziser Modus
  • Geschwindigkeit: Längere Trainingszeit für präzise Pixelklassifizierung
  • Genauigkeit: Hohe Präzision für detaillierte Defektkartierung
  • Produktionsreif: ✅ Optimiert für Fertigungsumgebungen

Segmentation-Beispiele aus der Produktion​

Beispiel 1: Oberflächendefekterkennung (T1-Zulieferer-Montage)​

Aufgabe: Identifizierung von Klebstoffaustritt

Aufbau:

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

Surface Defects

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

Beispiel 2: Spaltmaßmessung (T1-Zulieferer-Montage)​

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

Aufbau:

  • ROI: Rechteck um den Spaltbereich
  • Messlogik: Pass-Bedingung basierend auf Pixelflächenwerten
  • Klassen:
  • Blaue Pixel zum Anlernen, wie der Abstand aussieht
  • ✅ Good – Fläche <100 Pixel (Pass)
  • ❌ Defect – Fläche > 100 Pixel (Fail)

Gap Measurements

Ergebnis: Präzise Messung der Spaltgröße mit exakter Pixelanzahl

Beispiel 3: Farbspritzer​

Aufgabe: Sicherstellen, dass keine Farbspritzer vorhanden sind

Aufbau:

  • ROI: Rechteck um den Inspektionsbereich
  • Pixelklassen:
  • Gelbe Pixel zum Anlernen, wie Farbe aussieht

Paint Splatter

Ergebnis: Erkennung von Farbspritzern auf Pixelebene

Wann welches Modell wählen​

Classification wählen, wenn:​

Diskrete Zustandsentscheidungen:

  • ✅ 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
  • ✅ Längere Zykluszeiten während der Inspektion akzeptabel sind

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

Segmentation wählen, wenn:​

Analyse variabler Positionen:

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

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

Leistungsvergleich​

Zykluszeitleistung​

ModelltypInspektionsgeschwindigkeitBester Anwendungsfall
Segmentation⚡ Am schnellstenHochgeschwindigkeits-Produktionslinien
Classification (Accurate)LangsamerQualitätskritische Inspektionen
Classification (Fast)MittelTests und Prototyping
hinweis

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

Übersicht 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, für die Produktion optimierter Modus

🔗 Siehe auch​