AI-POWERED DOCS
What do you want to know?
Classifier vs. Segmenter
Đây là câu hỏi phổ biến nhất khi tạo một recipe. Sau đây là một khung tham khảo rõ ràng.
Để có các giải thích trực quan với trình mô phỏng tương tác, sơ đồ và sân chơi thực hành cho từng loại mô hình, hãy xem:
- Hiểu về Classifier — cách Types, Classes và ROIs lồng nhau; sân chơi classifier trực tiếp
- Hiểu về Segmenter — mặt nạ ở mức pixel, bảng màu, đếm và đo lường; sân chơi segmenter theo phong cách vẽ
Classifier
Một classifier xem xét từng vùng ROI đã cắt và gán nó vào một danh mục: pass, fail, present, absent, scratched, good, hoặc bất kỳ class nào bạn định nghĩa.
Hãy hình dung nó giống như việc phân loại thẻ bài thành các chồng. AI nhìn vào toàn bộ vùng cắt và nói "cái này thuộc chồng pass" hoặc "cái này thuộc chồng fail."
Sử dụng classifier khi:
- Bạn cần quyết định pass/fail hoặc đa lớp
- Các ROI của bạn đủ nhỏ để hiển thị rõ lỗi
- Tốc độ gán nhãn là quan trọng (classifier gán nhãn nhanh hơn nhiều)
- Bạn đang kiểm tra sự hiện diện/vắng mặt của một đặc điểm
- Ví dụ: ốc vít có/không, đầu nối đã cắm/chưa cắm, nhãn đúng/sai
Để có hướng dẫn chi tiết hơn với sân chơi tương tác, hãy đọc Hiểu về Classifier.
Sử dụng Defect Creator Studio để tạo hình ảnh lỗi tổng hợp theo phong cách ảnh thực cho cả hai phương pháp — mô tả lỗi bằng tiếng Anh đơn giản và nhận hình ảnh sẵn sàng để huấn luyện trong vài giây.
Chế Độ Huấn Luyện
Classification cung cấp hai phương pháp huấn luyện riêng biệt:
Fast Classifier
- Mục đích: Thiết lập và thử nghiệm nhanh
- Trường hợp sử dụng: Tạo nguyên mẫu và proof-of-concept nhanh chóng
- Tốc độ: Thời gian huấn luyện nhanh hơn
- Độ chính xác: Độ chính xác thấp hơn
- Sẵn sàng sản xuất: Không khuyến nghị cho sản xuất
Accurate/Production Classifier
- Mục đích: Kiểm tra sẵn sàng cho sản xuất
- Trường hợp sử dụng: Triển khai cuối và sản xuất
- Tốc độ: Thời gian huấn luyện dài hơn
- Độ chính xác: Độ chính xác cao hơn
- Sẵn sàng sản xuất: Mô hình huấn luyện chính để đạt kết quả tốt nhất
Ví Dụ Classification Từ Thực Tế Sản Xuất
Phát Hiện Đai Ốc Lỏng (Lắp Ráp OEM)
Nhiệm vụ: Xác định các đai ốc bị lỏng trong các cụm lắp ráp cơ khí
Thiết lập:
- ROI: Hình chữ nhật quanh khu vực đai ốc
- Classes:
- Good - Đai ốc được siết đúng cách (Pass 100%)
- Defect - Đai ốc lỏng (Fail 98%)
Kết quả: Quyết định nhị phân - đai ốc được lắp đúng cách hoặc bị lỏng
Xác Minh Vị Trí Lắp Trục (Lắp Ráp OEM)
Nhiệm vụ: Xác định các trục được lắp một phần
Thiết lập:
- ROI: Hình chữ nhật bao phủ khu vực gắn trục
- Classes:
- Good - Trục được lắp hoàn toàn
- Defect - Trục được lắp một phần
- Defect - Trục bị rời hoàn toàn
Kết quả: Linh kiện được phân loại là đã lắp đúng cách hoặc bị lỗi
Kiểm Tra Chân Cắm Bị Cong (Gia Công Nhà Cung Cấp T1)
Nhiệm vụ: Kiểm tra các chân cắm bị cong
Thiết lập:
- ROI: Hình chữ nhật bao phủ mảng chân cắm bộ tản nhiệt
- Classes:
- Good - Chân cắm không bị hư hại (Thẳng)
- Defect - Chân cắm bị cong/hư hại (Cong)
Kết quả: Classifier phân biệt giữa chân cắm tốt và chân cắm xấu
Segmenter
Một segmenter kiểm tra từng vùng cắt ROI ở cấp độ pixel và xác định chính xác những pixel nào thuộc về một lỗi.
Hãy hình dung nó giống như đánh dấu bằng bút highlight. AI khoanh chính xác vị trí của lỗi, không chỉ đơn thuần là có lỗi hay không.
Sử dụng segmenter khi:
- Bạn cần định vị lỗi ở cấp độ pixel (vết xước nằm chính xác ở đâu?)
- Bạn cần đo kích thước hoặc diện tích lỗi
- ROI của bạn cần lớn nhưng bạn đang tìm các lỗi nhỏ
- Bạn cần đếm nhiều lỗi trong một vùng
- Ví dụ: vết xước bề mặt, vết bẩn, vết nứt, chất lượng mối hàn, đo kích thước
Một segmenter chỉ học kích thước và kết cấu của các lỗi mà nó được cho xem. Huấn luyện nó trên các chất bẩn nhỏ, và khi một mảnh lớn của cùng loại lỗi đó xuất hiện trên dây chuyền, chỉ các cạnh hoặc các mảng rải rác được làm nổi bật — phần lớn của lỗi không được che phủ. Cách khắc phục là đưa vào các mẫu huấn luyện trải dài toàn bộ phạm vi kích thước lỗi mà bạn dự kiến. Không có mẫu lỗi lớn? Sử dụng Defect Creator Studio để tạo ra các mẫu tổng hợp.
Để có hướng dẫn chi tiết hơn với playground tương tác, hãy đọc Understanding Segmenter.
Chế Độ Huấn Luyện
Segmentation sử dụng một chế độ huấn luyện duy nhất:
Accurate/Production Only
- Mục đích: Phân tích cấp độ pixel sẵn sàng cho sản xuất
- Huấn luyện: Chế độ độ chính xác cao duy nhất
- Tốc độ: Thời gian huấn luyện lâu hơn để phân loại pixel chính xác
- Độ chính xác: Độ chính xác cao để lập bản đồ lỗi chi tiết
- Sẵn Sàng Sản Xuất: Được tối ưu hóa cho môi trường sản xuất
Ví Dụ Segmentation Từ Sản Xuất
Phát Hiện Lỗi Bề Mặt (Lắp Ráp Nhà Cung Cấp T1)
Nhiệm vụ: Xác định keo bị tràn
Thiết lập:
- ROI: Hình chữ nhật quanh bề mặt van
- Pixel Classes:
- Keo (Pixel màu vàng)
Kết quả: Các vùng được tô vàng cho thấy chính xác những gì model AI đã phát hiện là lỗi, với hình ảnh thô được hiển thị để tham chiếu
Đo Kích Thước Khe Hở (Lắp Ráp Nhà Cung Cấp T1)
Nhiệm vụ: Xác minh rằng khe hở của vùng kiểm tra có kích thước đúng
Thiết lập:
- ROI: Hình chữ nhật quanh khu vực khe hở
- Logic Đo Lường: Điều kiện Pass dựa trên giá trị diện tích pixel
- Classes:
- Pixel màu xanh dương dạy model nhận biết khoảng cách
- Tốt - Diện tích <100 pixel (Pass)
- Lỗi - Diện tích > 100 pixel (Fail)
Kết quả: Đo lường chính xác kích thước khe hở với số đếm pixel chính xác
Phát Hiện Sơn Bắn
Nhiệm vụ: Xác định sơn bắn trên bề mặt
Thiết lập:
- ROI: Hình chữ nhật quanh vùng quan tâm (ROI)
- Pixel Classes:
- Pixel màu vàng để dạy model nhận biết sơn
Kết quả: Phát hiện sơn bắn ở cấp độ pixel
Kiểm Tra Nhiều Đặc Điểm Đồng Thời
Một segmenter có thể kiểm tra nhiều đặc điểm cùng lúc bằng cách định nghĩa các pixel class riêng biệt. Ví dụ, bạn có thể huấn luyện một segmenter duy nhất để phát hiện vết xước (class 1), vết lõm (class 2) và vết bẩn (class 3) trong cùng một ROI. Mỗi class được huấn luyện độc lập bằng cách tô các pixel của loại lỗi đó với một nhãn khác nhau. Segmenter xác định tất cả các loại lỗi trong một lần duy nhất, báo cáo pixel nào thuộc về class nào.
Điều này khác với classification, nơi toàn bộ ROI nhận một nhãn duy nhất. Với segmentation, nhiều loại lỗi có thể cùng tồn tại trong cùng một hình ảnh và mỗi loại có mask cấp độ pixel riêng của nó.
So Sánh
| Khía Cạnh | Classifier | Segmenter |
|---|---|---|
| Cho bạn biết điều gì | Danh mục (pass/fail/v.v.) | Pixel chính xác của lỗi |
| Công sức gán nhãn | Thấp: chọn một class cho mỗi hình ảnh | Cao: tô các pixel lỗi |
| Dữ liệu cần thiết | 10-15 hình ảnh mỗi class để bắt đầu | Tương tự, nhưng việc gán nhãn mất nhiều thời gian hơn |
| Kích thước ROI | Hoạt động tốt nhất với ROI nhỏ | Xử lý ROI lớn hơn tốt hơn |
| Phù hợp nhất cho | Quyết định có/không có, phân loại danh mục | Vết xước, vết bẩn, đo lường, phát hiện cấp độ pixel |
Hiệu Suất Thời Gian Chu Kỳ
| Loại Model | Tốc Độ Kiểm Tra | Trường Hợp Sử Dụng Tốt Nhất |
|---|---|---|
| Segmentation | Nhanh nhất | Dây chuyền sản xuất tốc độ cao |
| Classification (Accurate) | Chậm hơn | Kiểm tra quan trọng về chất lượng |
| Classification (Fast) | Trung bình | Thử nghiệm và tạo mẫu |
Các model segmentation cung cấp thời gian chu kỳ kiểm tra nhanh nhất, làm cho chúng trở nên lý tưởng cho môi trường sản xuất với năng suất cao.
Khi Nào Chọn Mỗi Loại Model
Chọn Classification Khi:
- Bạn cần phân loại tốt/xấu đơn giản
- Toàn bộ ROI có thể được gán nhãn là một trong nhiều class
- Đánh giá tình trạng tổng thể là đủ
- Vị trí lỗi cố định được dự đoán
- Bạn muốn gán nhãn nhanh hơn trong quá trình thiết lập
Phù hợp nhất cho: Quyết định Go/No-Go, sự hiện diện/vắng mặt của linh kiện, đánh giá chất lượng tổng thể
Chọn Segmentation Khi:
- Lỗi có thể xuất hiện ở bất kỳ đâu trong khu vực kiểm tra
- Bạn cần đo kích thước hoặc diện tích của lỗi
- Nhiều loại lỗi có thể tồn tại trong một hình ảnh
- Yêu cầu lập bản đồ vị trí chính xác
- Thời gian chu kỳ nhanh nhất là quan trọng cho sản xuất
Phù hợp nhất cho: Lỗi bề mặt, đo khoảng cách, xác minh độ phủ, các khuyết tật có vị trí thay đổi
Classifier nhanh hơn để thiết lập, cần ít hình ảnh huấn luyện hơn và hoạt động tốt cho hầu hết các kiểm tra pass/fail. Chỉ chuyển sang segmenter nếu bạn cần chi tiết cấp độ pixel, đo lường lỗi, hoặc cần phát hiện các lỗi nhỏ trong một khu vực kiểm tra lớn.
Segmenter yêu cầu chú thích cấp độ pixel trong quá trình gán nhãn, mất nhiều thời gian hơn đáng kể so với việc gán nhãn classifier. Hãy dự trù thêm thời gian cho việc thiết lập ban đầu so với classifier. Nếu bạn có nhiều vùng cần gán nhãn, thời gian đầu tư sẽ tăng lên nhanh chóng.
Cả classifier và segmenter đều xử lý các ROI crop ở độ phân giải tối đa 512x512 pixel. Bất kỳ ROI nào lớn hơn mức này sẽ bị giảm kích thước trước khi AI xử lý, có nghĩa là các lỗi nhỏ có thể trở nên không nhìn thấy được. Hãy giữ ROI của bạn càng nhỏ càng tốt để duy trì chi tiết, hoặc sử dụng segmenter nếu bạn cần bao phủ một khu vực lớn hơn trong khi vẫn phát hiện được các lỗi tinh vi.
Vùng chồng lấn
Có sự chồng lấn thực sự. Nhiều ứng dụng kiểm tra có thể hoạt động với cả hai phương pháp. Nếu bạn không chắc chắn:
- Bắt đầu với classifier. Nó đơn giản hơn để thiết lập và nhanh hơn để gán nhãn
- Nếu bạn thấy classifier không đủ chính xác (không thể phát hiện các lỗi nhỏ trong khu vực lớn, hoặc bạn cần đo lường), hãy chuyển sang segmenter
- Hỏi AI Assistant tại tools.overview.ai. Mô tả ứng dụng của bạn và nó sẽ đề xuất phương pháp tốt nhất
Tóm Tắt Chế Độ Huấn Luyện
| Chế Độ Huấn Luyện | Loại Mô Hình | Sẵn Sàng Sản Xuất | Ghi Chú |
|---|---|---|---|
| Fast Classifier | Classification | Không | Thiết lập nhanh để kiểm thử và tạo nguyên mẫu |
| Accurate Classifier | Classification | Có | Sẵn sàng sản xuất với độ chính xác cao hơn |
| Accurate Segmenter | Segmentation | Có | Chế độ độ chính xác cao duy nhất được tối ưu cho sản xuất |
OV20i so với OV80i
- OV20i: Chọn một cho mỗi recipe, hoặc classifier hoặc segmenter
- OV80i: Hỗ trợ đa mô hình. Kết hợp cả hai trong cùng một recipe cho cùng một lần chụp