Classifier vs. Segmenter

Đây là câu hỏi phổ biến nhất khi tạo recipe. Dưới đây là một khung tham khảo rõ ràng.

Classifier

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 tấm thẻ 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 đa class
• ROI của bạn đủ nhỏ để hiển thị rõ khuyết tật
• Tốc độ gán nhãn (labeling) quan trọng (classifier gán nhãn nhanh hơn rất nhiều)
• Bạn kiểm tra sự hiện diện/vắng mặt của một đặc điểm
• Ví dụ: vít có/không, đầu nối đã cắm/chưa cắm, nhãn đúng/sai

Cần hình ảnh để training?

Sử dụng Defect Creator Studio để tạo hình ảnh khuyết tật tổng hợp có độ chân thực cao cho cả hai phương pháp — mô tả khuyết tật bằng tiếng Anh thông thường và nhận được hình ảnh sẵn sàng cho training chỉ trong vài giây.

Chế Độ Training

Classification cung cấp hai phương pháp training khác biệt:

Fast Classifier

• Mục đích: Thiết lập và thử nghiệm nhanh
• Trường hợp sử dụng: Prototyping nhanh và proof-of-concept
• Tốc độ: Thời gian training nhanh hơn
• Độ chính xác: Độ chính xác thấp hơn
• Sẵn sàng cho sản xuất: Không khuyến nghị dùng cho production

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 training dài hơn
• Độ chính xác: Độ chính xác cao hơn
• Sẵn sàng cho sản xuất: Mô hình training chính để có kết quả tốt nhất

Các Ví Dụ Classification Từ Thực Tế Sản Xuất

Phát Hiện Đai Ốc Lỏng (Lắp Ráp OEM)

Nhiệm vụ: Xác định đai ốc 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 chặt đúng cách (Pass 100%)
  • Defect - Đai ốc lỏng (Fail 98%)

Kết quả: Quyết định nhị phân - đai ốc được lắp đúng hoặc bị lỏng

Kiểm Tra Lắp Đặt Trục (Lắp Ráp OEM)

Nhiệm vụ: Xác định các trục chỉ 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 chỉ được lắp một phần
  • Defect - Trục bị tuột hoàn toàn

Kết quả: Linh kiện được phân loại là đã lắp đúng hay bị lỗi

Kiểm Tra Chân Tản Nhiệt (Chế Tạo Nhà Cung Cấp T1)

Nhiệm vụ: Kiểm tra vết móp trên từng chân tản nhiệt

Thiết lập:

• ROI: Hình chữ nhật bao phủ dãy chân tản nhiệt
• Classes:
  • Good - Chân không bị hư hỏng (Thẳng)
  • Defect - Chân bị cong/hư hỏng (Cong)

Kết quả: Classifier phân biệt giữa chân tốt và chân lỗi

Segmenter

Segmenter kiểm tra từng ROI crop ở cấp độ pixel và xác định chính xác những pixel nào thuộc về một khuyết tật.

Hãy hình dung như việc tô sáng bằng bút đánh dấu. AI khoanh chính xác vị trí khuyết tật, chứ không chỉ xác định có tồn tại khuyết tật hay không.

Sử dụng segmenter khi:

• Bạn cần định vị khuyết tật ở cấp độ pixel (vết xước nằm ở đâu chính xác?)
• Bạn cần đo kích thước hoặc diện tích khuyết tật
• ROI của bạn cần phải lớn nhưng bạn đang tìm kiếm những khuyết tật nhỏ
• Bạn cần đếm nhiều khuyết tật trong một khu vực
• Ví dụ: vết xước 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 ở cấp độ pixel sẵn sàng cho sản xuất
• Huấn luyện: Chế độ độ chính xác cao duy nhất
• 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 khuyết tật chi tiết
• Sẵn sàng Sản xuất: Được tối ưu hóa cho môi trường sản xuất

Ví Dụ Segmentation Từ Thực Tế Sản Xuất

Phát Hiện Khuyết Tật Bề Mặt (Lắp Ráp Nhà Cung Cấp T1)

Nhiệm vụ: Phát hiện keo tràn

Thiết lập:

• ROI: Hình chữ nhật xung quanh bề mặt van
• Pixel Classes:
  • Glue (Pixel màu vàng)

Kết quả: Các vùng tô màu vàng hiển thị chính xác những gì mô hình AI đã phát hiện là khuyết tật, kèm theo hình ảnh gốc để tham chiếu

Đo Kích Thước Khe Hở (Lắp Ráp Nhà Cung Cấp T1)

Nhiệm vụ: Kiểm tra xem khe hở của vùng kiểm tra có đúng kích thước không

Thiết lập:

• ROI: Hình chữ nhật xung quanh vùng 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 - Area < 100 pixels (Pass)
  • Defect - Area > 100 pixels (Fail)

Kết quả: Đo lường chính xác kích thước khe hở với số lượng pixel cụ thể

Phát Hiện Vết Bắn Sơn

Nhiệm vụ: Phát hiện vết bắn sơn trên bề mặt

Thiết lập:

• ROI: Hình chữ nhật xung quanh vùng kiểm tra
• 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 Đồng Thời Nhiều Đặc Điểm

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 khuyết tật đó với một nhãn khác nhau. Segmenter xác định tất cả các loại khuyết tật trong một lần xử lý, 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 khuyết tật 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	Danh mục (pass/fail/v.v.)	Pixel chính xác của khuyết tật
Công sức gán nhãn	Thấp: chọn một class cho mỗi hình ảnh	Cao: tô các pixel khuyết tật
Dữ liệu cần thiết	3-5 hình ảnh mỗi class để bắt đầu	Tương tự, nhưng gán 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/không hiện diện, quyết định theo danh mục	Vết xước, vết bẩn, đo lường, phát hiện ở cấp độ pixel

Hiệu Suất Thời Gian Chu Kỳ

Loại Mô Hình	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

note

Các mô hình Segmentation cung cấp thời gian chu kỳ kiểm tra nhanh nhất, khiến chúng trở thành lựa chọn lý tưởng cho môi trường sản xuất có thông lượng cao.

Khi Nào Nên Chọn Từng Mô Hình

Chọn Classification Khi:

• Bạn cần phân loại đạt/không đạt đơn giản
• 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, kiểm tra 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
• Ánh xạ vị trí chính xác là bắt buộc
• Thời gian chu kỳ nhanh nhất là yếu tố quan trọng cho sản xuất

Phù hợp nhất cho: Lỗi bề mặt, đo khoảng cách, xác minh độ phủ, các lỗi có vị trí thay đổi

Khi không chắc chắn, hãy bắt đầu với classifier

Classifier thiết lập nhanh hơn, cần ít hình ảnh huấn luyện hơn và hoạt động tốt cho hầu hết các kiểm tra pass/fail. Bạn luôn có thể chuyển sang segmenter sau nếu cần chi tiết ở cấp độ pixel. Bắt đầu đơn giản giúp bạn xác thực thiết lập của mình nhanh chóng.

Segmenter yêu cầu thời gian thiết lập lâu hơn

Segmenter cần chú thích ở cấp độ pixel trong quá trình gán nhãn, điều này mất nhiều thời gian hơn đáng kể so với việc chọn một lớp cho classifier. Hãy dự trù thêm thời gian cho việc thiết lập và gán nhãn ban đầu so với classifier, đặc biệt nếu bạn có nhiều hình ảnh huấn luyện.

Giới hạn xử lý 512x512 pixel

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 tỷ lệ trước khi AI xử lý, nghĩa là các lỗi nhỏ có thể trở nên không nhìn thấy được. Hãy giữ ROI của bạn càng nhỏ càng tốt để bảo toàn chi tiết, hoặc sử dụng segmenter với ROI lớn hơn nếu bạn cần bao phủ một khu vực rộng trong khi vẫn phát hiện được các lỗi nhỏ.

Vùng chồng lấn

Có sự chồng lấn thực sự. Nhiều loại kiểm tra có thể hoạt động với cả hai phương pháp. Nếu bạn không chắc chắn:

1. Bắt đầu với classifier. Nó đơn giản hơn để thiết lập và nhanh hơn để gán nhãn
2. 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
3. Hỏi AI Assistant tại tools.overview.ai. Mô tả ứng dụng của bạn và nó sẽ đề xuất phương pháp tốt nhất

Tóm Tắt Các Chế Độ Huấn Luyện

Chế Độ Huấn Luyện	Loại Mô Hình	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 vs OV80i

• OV20i: Chọn một mô hình cho mỗi recipe, hoặc classifier hoặc segmenter
• OV80i: Hỗ trợ đa mô hình. Chạy đồng thời một classifier và một segmenter trên cùng một lần chụp trong một recipe duy nhất. Ví dụ, sử dụng ROI classifier để kiểm tra sự hiện diện của linh kiện (pass/fail) trong khi ROI segmenter phát hiện lỗi bề mặt trên cùng một linh kiện. Cả hai mô hình đều chạy trên mỗi trigger và tạo ra các kết quả độc lập.