Zum Hauptinhalt springen

KI-GESTÜTZTE DOKUMENTATION

Was möchten Sie wissen?

Classifier vs. Segmenter

Diese Seite erläutert die beiden im OV80i-System verfügbaren AI-Modelltypen und hilft Ihnen, den richtigen Ansatz für Ihre Inspektionsanforderungen auszuwählen.

Zwei Projekttypen​

Der OV80i bietet zwei unterschiedliche AI-Modellansätze für verschiedene Inspektionsanforderungen:

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

Classification Segmentation

Classification-Modelle​

Was ist Classification?​

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

Der „Cats vs. Dogs"-Ansatz: Classification eignet sich am besten für Projekte, bei denen das Bild einem von einer diskreten Anzahl von Zuständen entsprechen kann (z. B. Gut vs. Schlecht, aber 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: Schnellere Trainingszeit
  • Genauigkeit: Geringere Präzision
  • Produktionsbereit: ❌ Nicht für die Produktion empfohlen

Accurate/Production Classifier

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

Classification-Beispiele aus der Produktion​

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

Aufgabe: Lockere Muttern in mechanischen Baugruppen identifizieren

Einrichtung:

  • ROI: Rechteck um den Mutternbereich
  • Klassen:
  • ✅ Gut – Ordnungsgemäß angezogene Mutter (Pass 100 %)
  • ❌ Defekt – Lockere Mutter (Fail 98 %)

Loose bolt

Ergebnis: Binäre Entscheidung – Mutter ist ordnungsgemäß sitzend oder locker

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

Aufgabe: Teilweise eingesetzte Wellen identifizieren

Einrichtung:

  • ROI: Rechteck, das den Wellenmontagebereich abdeckt
  • Klassen:
  • ✅ Gut – Vollständig eingesetzte Welle
  • ❌ Defekt – Teilweise eingesetzte Welle
  • ❌ Defekt – Welle vollständig herausgerutscht

Shaft Seating

Ergebnis: Bauteil wird als ordnungsgemäß installiert oder defekt eingestuft

Beispiel 3: Kühler-Lamelleninspektion (T1-Zulieferer-Fertigung)​

Aufgabe: Überprüfung einzelner Kühlerlamellen auf Beulen

Einrichtung:

  • ROI: Rechteck, das das Kühlerlamellenfeld abdeckt
  • Klassen:
  • ✅ Gut – Unbeschädigte Lamelle (gerade)
  • ❌ Defekt – Verbogene/beschädigte Lamellen (verbogen)

Bent pin

Ergebnis: Der Classifier unterscheidet zwischen guter und schlechter Lamelle

Segmentation-Modelle​

Was ist Segmentation?​

Erstellen Sie ein Segmentation Recipe, um ein Deep-Learning-Modell zu trainieren, das ein Bild aufnimmt und Klassen auf Pixelebene basierend auf gelabelten Defekten segmentiert. Da dieses Tool auf Pixelebene arbeitet, ist es nützlich 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 verschiedene Formen und Größen annehmen kann, aber an unterschiedlichen Stellen auftaucht (z. B. Suche nach Kratzern und Beulen).

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 Defektabbildung
  • Produktionsbereit: ✅ Optimiert für Fertigungsumgebungen

Segmentation-Beispiele aus der Produktion​

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

Aufgabe: Klebstoffaustritt identifizieren

Einrichtung:

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

Surface Defects

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

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

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

Einrichtung:

  • ROI: Rechteck um den Spaltbereich
  • Messlogik: Bestehensbedingung basierend auf Pixelflächenwerten
  • Klassen:
  • ✅ Gut – Fläche <100 Pixel (Pass)
  • ❌ Defekt – Fläche > 100 Pixel (Fail)

Gap Measurements

Ergebnis: Präzise Messung der Spaltgröße mit exakter Pixelanzahl

Beispiel 3: Farbspritzer​

Aufgabe: Sicherstellen, dass keine Farbspritzer vorhanden sind

Einrichtung:

  • ROI: Rechteck, das den Schauminstallationsbereich abdeckt
  • Pixelklassen:
  • Gelbes Pixel, um zu lernen, wie Farbe aussieht

Paint Splatter

Ergebnis: Erkennung von Farbspritzern auf Pixelebene

Wann welches Modell wählen​

Wählen Sie Classification, wenn:​

Entscheidungen über diskrete Zustände:

  • ✅ Sie eine einfache Gut/Schlecht-Kategorisierung benötigen
  • ✅ Die gesamte ROI als eine von mehreren Klassen gelabelt werden kann
  • ✅ Eine Gesamtzustandsbewertung ausreichend ist
  • ✅ Feste Defektpositionen zu erwarten sind
  • ✅ Schnellere Zykluszeiten während der Inspektion akzeptabel sind

Am besten geeignet für: Go/No-Go-Entscheidungen, Bauteilanwesenheit/-abwesenheit, 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 Positionsabbildung 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 daher ideal für Produktionsumgebungen mit hohem Durchsatz.

Zusammenfassung der Trainingsmodi​

Classification-Trainingsoptionen​

  • Fast Mode: Schnelle Einrichtung für Tests (nicht produktionsbereit)
  • Accurate Mode: Produktionsbereit mit höherer Präzision

Segmentation-Trainingsoptionen​

  • Nur Accurate Mode: Einzelner hochpräziser Modus, optimiert für die Produktion

🔗 Siehe auch​