AI-POWERED DOCS
What do you want to know?
Classifier vs. Segmenter
Đây là câu hỏi phổ biến nhất khi tạo một recipe. Dưới đây là một khung tham khảo rõ ràng.
Classifier
Một classifier xem xét từng ROI crop và gán nó vào một danh mục: pass, fail, present, absent, scratched, good, hoặc bất kỳ class nào bạn định nghĩa.
Hãy hình dung như việc phân loại các lá bài vào các chồng. AI nhìn vào toàn bộ crop và nói "cái này thuộc chồng pass" hoặc "cái này thuộc chồng fail."
Sử dụng classifier khi:
- Bạn cần quyết định pass/fail hoặc multi-class
- ROI của bạn đủ nhỏ để hiển thị rõ lỗi
- Tốc độ labeling quan trọng (classifier labeling 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
Sử dụng Defect Creator Studio để tạo hình ảnh lỗi tổng hợp chân 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 khác nhau:
Fast Classifier
- Mục Đích: Thiết lập và kiểm thử nhanh
- Trường Hợp Sử Dụng: Tạo prototype nhanh và proof-of-concept
- Tốc Độ: Thời gian huấn luyện nhanh hơn
- Độ Chính Xác: Độ chính xác thấp hơn
- Sẵn Sàng Cho Production: Không khuyến nghị cho production
Accurate/Production Classifier
- Mục Đích: Kiểm tra sẵn sàng cho production
- 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 Cho Production: Mô hình huấn luyện chính để đạt kết quả tốt nhất
Các Ví Dụ Classification Từ Production
Phát Hiện Đai Ốc Lỏng (OEM Assembly)
Nhiệm Vụ: Xác định đai ốc lỏng trong các cụm lắp ráp cơ khí
Thiết Lập:
- ROI: Hình chữ nhật xung quanh vùng đai ốc
- Classes:
- Good - Đai ốc được siết đúng (Pass 100%)
- Defect - Đai ốc lỏng (Fail 98%)
Kết Quả: Quyết định nhị phân - đai ốc được siết đúng hay bị lỏng
Kiểm Tra Vị Trí Trục (OEM Assembly)
Nhiệm Vụ: Xác định các trục được lắp đặt chưa đầy đủ
Thiết Lập:
- ROI: Hình chữ nhật bao phủ vùng lắp đặt trục
- Classes:
- Good - Trục được lắp đặt hoàn toàn
- Defect - Trục được lắp đặt một phần
- Defect - Trục hoàn toàn ngoài vị trí
Kết Quả: Linh kiện được phân loại là đã lắp đặt đúng hoặc bị lỗi
Kiểm Tra Chân Pin Bị Cong (T1 Supplier Fabrication)
Nhiệm Vụ: Kiểm tra các chân pin bị cong
Thiết Lập:
- ROI: Hình chữ nhật bao phủ mảng chân pin của bộ tản nhiệt
- Classes:
- Good - Chân pin không bị hư hỏng (Straight)
- Defect - Chân pin bị cong/hư hỏng (Bent)
Kết Quả: Classifier phân biệt chân pin tốt và chân pin lỗi
Segmenter
Một segmenter kiểm tra từng ROI crop ở cấp độ pixel và xác định chính xác những pixel nào thuộc về lỗi.
Hãy hình dung như việc tô đậm bằng bút highlight. AI khoanh chính xác vị trí lỗi, không chỉ đơn thuần xác định có lỗi hay không.
Sử dụng segmenter khi:
- Bạn cần xác định vị trí lỗi ở cấp độ pixel (vết xước 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 trên bề mặt, vết bẩn, vết nứt, chất lượng mối hàn, đo kích thước
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 đơn với độ chính xác cao
- Tốc Độ: Thời gian huấn luyện dài hơn để phân loại pixel chính xác
- Độ Chính Xác: Độ chính xác cao cho việc lập bản đồ lỗi chi tiết
- Sẵn Sàng Cho 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 vết keo tràn
Thiết Lập:
- ROI: Hình chữ nhật quanh bề mặt van
- Pixel Classes:
- Keo (Pixel màu vàng)
Kết Quả: Vùng được đánh dấu màu vàng hiển thị chính xác những gì AI model phát hiện là lỗi, với hình ảnh gốc được hiển thị để tham khảo
Đo Kích Thước Khe Hở (Lắp Ráp Nhà Cung Cấp T1)
Nhiệm Vụ: Xác minh rằng khe hở của đối tượng 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 cho hệ thống 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 Sơn Bắn
Nhiệm Vụ: Xác định vết sơn bắn trên bề mặt
Thiết Lập:
- ROI: Hình chữ nhật quanh vùng kiểm tra
- Pixel Classes:
- Pixel màu vàng để dạy cho hệ thống biết sơn trông như thế nào
Kết Quả: Phát hiện vết sơn bắn ở cấp độ pixel
Kiểm Tra Nhiều Đặc Điểm Đồng Thời
Một segmenter có thể kiểm tra nhiều đặc điểm cùng một lúc bằng cách xác định 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 chạy 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 riêng ở cấp độ pixel.
So Sánh
| Khía Cạnh | Classifier | Segmenter |
|---|---|---|
| Thông tin cung cấp | Phân loại (pass/fail/v.v.) | Pixel chính xác của lỗi |
| Công sức gắn nhãn | Thấp: chọn một class cho mỗi hình ảnh | Cao: tô các pixel lỗi |
| Dữ liệu cần thiết | 3-5 hình ảnh mỗi class để bắt đầu | Tương tự, nhưng việc gắn nhãn mất nhiều thời gian hơn |
| Kích thước ROI | Hoạt động tốt nhất với ROI nhỏ | Xử lý tốt hơn với ROI lớn |
| Phù hợp nhất cho | Có mặt/vắng mặt, quyết định phân loại | 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 yêu cầu chất lượng nghiêm ngặt |
| Classification (Fast) | Trung bình | Thử nghiệm và tạo mẫu |
Segmentation model cung cấp thời gian chu kỳ kiểm tra nhanh nhất, lý tưởng cho các môi trường sản xuất có năng suất cao.
Khi Nào Chọn Mỗi Mô Hình
Chọn Classification Khi:
- Bạn cần phân loại đơn giản đạt/không đạt
- Toàn bộ ROI có thể được gán nhãn là một trong nhiều lớp
- Đánh giá tình trạng tổng thể là đủ
- Vị trí lỗi cố định được dự kiến
- 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 ánh xạ vị trí chính xác
- Thời gian chu kỳ nhanh nhất là yếu tố then chốt cho sản xuất
Phù hợp nhất cho: Lỗi bề mặt, đo khe hở, xác minh độ phủ, các khuyết tật có vị trí thay đổi
Classifier thiết lập nhanh hơn, 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 mức pixel, đo lường lỗi, hoặc cần phát hiện các lỗi nhỏ trong khu vực kiểm tra lớn.
Segmenter yêu cầu gán nhãn ở mức pixel trong quá trình labeling, việc này mất nhiều thời gian hơn đáng kể so với labeling của classifier. Hãy dự trù thêm thời gian cho 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 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, điều này có nghĩa là các lỗi nhỏ có thể trở nên không nhìn thấy được. Hãy giữ ROI càng nhỏ càng tốt để bảo toàn chi tiết, hoặc sử dụng segmenter nếu bạn cần bao phủ khu vực lớn hơn nhưng vẫn phát hiện được các lỗi nhỏ.
Vùng Chồng Lấn
Có sự chồng lấn thực sự. Nhiều kiểm tra có thể hoạt động với một trong hai phương pháp. Nếu bạn không chắc chắn:
- Bắt đầu với một 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 cho kiểm thử và tạo prototype |
| 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 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 một recipe cho cùng một lần capture