AI-POWERED DOCS
What do you want to know?
Classifier và Segmenter
Đây là câu hỏi phổ biến nhất khi tạo recipe. 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 model, hãy xem:
- Hiểu Về Classifier — cách Types, Classes và ROIs lồng nhau; sân chơi classifier trực tiếp
- Hiểu Về Segmenter — mặt nạ cấp pixel, bảng màu, đếm và đo lường; sân chơi segmenter kiểu vẽ
Classifier
Classifier xem xét từng vùng cắt ROI và gán nó vào một danh mục: pass, fail, present, absent, scratched, good, hoặc bất kỳ class nào bạn định nghĩa.
Hãy tưởng tượng giống như phân loại các lá bài vào các chồng. AI nhìn vào toàn bộ vùng cắt và nói "cái này vào chồng pass" hoặc "cái này vào chồng fail."
Sử dụng classifier khi:
- Bạn cần các quyết định pass/fail hoặc nhiều class
- ROIs của bạn đủ nhỏ để hiển thị rõ khuyết tật
- Tốc độ gán nhãn quan trọng (classifier gán nhãn nhanh hơn nhiều)
- Bạn đang kiểm tra sự hiện diện/vắng mặt của một đặc điểm
- Ví dụ: screw present/absent, connector seated/unseated, label correct/wrong
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 khuyết tật tổng hợp giống thật cho cả hai phương pháp — mô tả khuyết tật bằng tiếng Anh đơn giản và nhận hình ảnh sẵn sàng 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 kiểm tra nhanh
- Trường Hợp Sử Dụng: Tạo nguyên mẫu nhanh và chứng minh khái niệm
- 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 cùng và sản xuất
- Tốc độ: Thời gian huấn luyện lâu hơn
- Độ chính xác: Độ chính xác cao hơn
- Sẵn Sàng Sản Xuất: Model huấn luyện chính để có kết quả tốt nhất
Ví Dụ Classification Từ Sản Xuất
Phát Hiện Đai Ốc Lỏng (Lắp Ráp OEM)
Nhiệm vụ: Xác định các đai ốc lỏng trong cụm lắp ráp cơ khí
Thiết lập:
- ROI: Hình chữ nhật quanh khu vực đai ốc
- Classes:
- Good - Đai ốc được siết chặt đúng cách (Pass 100%)
- Defect - Đai ốc lỏng (Fail 98%)
Kết quả: Quyết định nhị phân - đai ốc được lắp đúng cách hoặc 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 lắp trục
- Classes:
- Good - Trục được lắp hoàn toàn
- Defect - Trục được lắp một phần
- Defect - Trục bị tuột hoàn toàn
Kết quả: Bộ phận được phân loại là được lắp đúng cách hoặc bị lỗi
Kiểm Tra Chân Cắm Bị Cong (Sản Xuất 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 hỏng (Thẳng)
- Defect - Chân cắm bị cong/hư hỏng (Cong)
Kết quả: Classifier phân biệt giữa chân cắm tốt và chân cắm xấu
Segmenter
Segmenter kiểm tra từng ROI crop ở cấp độ pixel và xác định chính xác những pixel nào thuộc về một lỗi.
Hãy hình dung như việc tô đậm bằng bút highlight. AI khoanh chính xác vị trí của lỗi, không chỉ đơn thuần là xác định có tồn tại lỗi hay không.
Sử dụng segmenter khi:
- Bạn cần xác định vị trí lỗi ở cấp độ pixel (vết xước nằm chính xác ở đâu?)
- Bạn cần đo kích thước hoặc diện tích của lỗi
- ROI của bạn cần phải 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 lường kích thước
Để xem 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 production
- Huấn luyện: Chế độ độ chính xác cao duy nhất
- Tốc độ: Thời gian huấn luyện lâu hơn để phân loại pixel một cách chính xác
- Độ chính xác: Độ chính xác cao cho việc lập bản đồ lỗi chi tiết
- Sẵn Sàng Cho Production: Được tối ưu hóa cho môi trường sản xuất
Ví Dụ Segmentation Từ Production
Phát Hiện Lỗi Bề Mặt (T1 Supplier Assembly)
Nhiệm vụ: Xác định vết keo tràn
Thiết lập:
- ROI: Hình chữ nhật xung quanh bề mặt van
- Pixel Classes:
- Keo (Pixel màu vàng)
Kết quả: Các vùng tô vàng hiển thị chính xác những gì model AI đã phát hiện là lỗi, với hình ảnh gốc được hiển thị để tham chiếu
Đo Kích Thước Khe Hở (T1 Supplier Assembly)
Nhiệm vụ: Xác minh rằng khe hở của bộ phận kiểm tra có kích thước đúng
Thiết lập:
- ROI: Hình chữ nhật xung quanh khu vực khe hở
- Logic Đo Lường: Điều kiện Pass dựa trên giá trị diện tích pixel
- Classes:
- Pixel màu xanh dương dạy mô hình nhận biết khoảng cách trông như thế nào
- Good - Diện tích <100 pixel (Pass)
- Defect - Diện tích > 100 pixel (Fail)
Kết quả: Đo lường chính xác kích thước khe hở với số lượng pixel cụ thể
Phát Hiện Vết Bắn Sơn
Nhiệm vụ: Xác định vết bắn sơn trên bề mặt
Thiết lập:
- ROI: Hình chữ nhật xung quanh vùng quan tâm (ROI)
- Pixel Classes:
- Pixel màu vàng để dạy mô hình nhận biết sơn trông như thế nào
Kết quả: Phát hiện vết bắn sơn ở cấp độ pixel
Kiểm Tra Nhiều Đặc Trưng Đồng Thời
Một segmenter có thể kiểm tra nhiều đặc trưng 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 sẽ xác định tất cả các loại lỗi trong một lần chạy, 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.
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 cho 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, phân loại danh mục | Vết xước, vết bẩn, đo lường, phát hiện ở 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 chất lượng quan trọng |
| Classification (Fast) | Trung bình | Kiểm thử và tạo mẫu |
Các model Segmentation cung cấp thời gian chu kỳ kiểm tra nhanh nhất, khiến chúng trở nên lý tưởng cho môi trường sản xuất công suất cao.
Khi Nào Nên Chọn Mỗi Model
Chọn Classification Khi:
- Bạn cần phân loại đơn giản tốt/xấu
- 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 mong đợi
- Bạn muốn gán nhãn nhanh hơn trong quá trình thiết lập
Phù hợp nhất cho: Quyết định Go/No-Go, có/không có 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
- Lập bản đồ vị trí chính xác là cần thiết
- Thời gian chu kỳ nhanh nhất là quan trọng cho sản xuất
Phù hợp nhất cho: Lỗi bề mặt, đo khe hở, xác minh độ phủ, các lỗi 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 ở cấp độ pixel, đo lường lỗi hoặc cần phát hiện các lỗi nhỏ trong khu vực kiểm tra lớn.
Segmenter yêu cầu chú thích ở cấp độ pixel trong quá trình gán nhãn, mất nhiều thời gian hơn đáng kể so với 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 vùng cắt ROI ở độ phân giải tối đa 512x512 pixel. Bất kỳ ROI nào lớn hơn mức này đều bị giảm kích thước trước khi AI xử lý, điều này có nghĩa là các lỗi nhỏ có thể trở nên không thể nhìn thấy. Hãy giữ ROI của bạn càng nhỏ càng tốt để bảo toàn chi tiết, hoặc sử dụng segmenter nếu bạn cần bao phủ một khu vực lớn hơn trong khi vẫn phát hiện các lỗi nhỏ.
Vùng chồng lấn
Có sự chồng lấn thực sự. Nhiều kiểm tra có thể hoạt động với một trong hai cách tiếp cận. Nếu bạn không chắc chắn:
- Bắt đầu với classifier. Việc thiết lập đơn giản hơn và gán nhãn nhanh hơn
- Nếu bạn thấy classifier không đủ chính xác (không thể phát hiện 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 cách tiếp cận tốt nhất
Tóm Tắt Chế Độ Huấn Luyện
| Chế Độ Huấn Luyện | Loại Model | Sẵn Sàng Cho Sản Xuất | Ghi Chú |
|---|---|---|---|
| Fast Classifier | Classification | Không | Thiết lập nhanh để kiểm thử và tạo mẫu |
| Accurate Classifier | Classification | Có | Sẵn sàng cho sản xuất với độ chính xác cao hơn |
| Accurate Segmenter | Segmentation | Có | Chế độ độ chính xác cao duy nhất được tối ưu hóa cho sản xuất |
OV20i so với OV80i
- OV20i: Chọn một cho mỗi recipe, hoặc là classifier hoặc là segmenter
- OV80i: Hỗ trợ đa model. Kết hợp cả hai trong cùng một recipe cho cùng một lần chụp