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 chiếu rõ ràng.
Để có giải thích trực quan với trình mô phỏng tương tác, sơ đồ và sân chơi thực hành cho từng loại mô hình, hãy xem:
- Tìm Hiểu Classifier — cách Types, Classes và ROIs lồng nhau; sân chơi classifier trực tiếp
- Tìm Hiểu Segmenter — mask cấp độ pixel, bảng màu, đếm và đo lường; sân chơi segmenter kiểu vẽ
Classifier
Một 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 hình dung như việc phân loại các lá bài thành từng chồng. AI nhìn 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 đa class
- ROIs của bạn đủ nhỏ để hiển thị rõ lỗi
- 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: 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 Tìm Hiểu Classifier.
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 được hình ảnh sẵn sàng huấn luyện chỉ trong vài giây.
Chế Độ Huấn Luyện
Classification cung cấp hai phương pháp huấn luyện khác biệt:
Fast Classifier
- Mục đích: Thiết lập và kiểm tra nhanh
- Trường hợp sử dụng: Tạo nguyên mẫu nhanh và proof-of-concept
- 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: Mô hình huấn luyện chính để có kết quả tốt nhất
Ví Dụ Classification Từ Sản Xuất
Phát Hiện Đai Ốc Lỏng (OEM Assembly)
Nhiệm vụ: Xác định các đai ốc lỏng trong các cụm 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 đã được lắp đúng hoặc bị lỏng
Xác Minh Lắp Đặt Trục (OEM Assembly)
Nhiệm vụ: Xác định các trục được lắp đặt một phần
Thiết lập:
- ROI: Hình chữ nhật bao phủ khu vực lắp trục
- Classes:
- Good - Trục được lắp đầy đủ
- Defect - Trục được lắp một phần
- Defect - Trục bị bung hoàn toàn
Kết quả: Linh kiện được phân loại là được lắp đặt đúng cách hoặc bị lỗi
Kiểm Tra Cánh Tản Nhiệt Bộ Tản Nhiệt (T1 Supplier Fabrication)
Nhiệm vụ: Kiểm tra vết móp trên từng cánh tản nhiệt riêng lẻ
Thiết lập:
- ROI: Hình chữ nhật bao phủ dãy cánh tản nhiệt
- Classes:
- Good - Cánh không bị hỏng (Thẳng)
- Defect - Cánh bị cong/hư hỏng (Cong)
Kết quả: Classifier phân biệt giữa cánh tốt và cánh xấu
Segmenter
Segmenter kiểm tra từng ROI crop ở cấp độ pixel và xác định chính xác những pixel nào thuộc về lỗi.
Hãy hình dung nó giống như tô sáng bằng bút dạ quang. AI khoanh chính xác vị trí của lỗi, không chỉ đơn thuần là xác định lỗi có tồn tại 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 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, các phép đo kích thước
Để tìm hiểu sâu 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 huấn luyện 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 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 (T1 Supplier Assembly)
Nhiệm vụ: Xác định keo bị tràn
Thiết lập:
- ROI: Hình chữ nhật xung quanh bề mặt van
- Pixel Classes:
- Keo (Pixel màu vàng)
Kết quả: Phần tô sáng màu vàng hiển thị chính xác những gì mô hình AI phát hiện là lỗi, cùng với hình ảnh gốc để tham khảo
Đo Kích Thước Khe Hở (T1 Supplier Assembly)
Nhiệm vụ: Xác minh khe hở của vùng kiểm tra có đúng kích thước không
Thiết lập:
- ROI: Hình chữ nhật xung quanh vùng khe hở
- Logic Đo: Điều kiện Pass dựa trên giá trị diện tích pixel
- Classes:
- Pixel màu xanh dương dạy mô hình 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 chính xác
Phát Hiện Vết Sơn Bắn
Nhiệm vụ: Xác định vết sơn bắn trên bề mặt
Thiết lập:
- ROI: Hình chữ nhật xung quanh vùng quan tâm (ROI)
- Pixel Classes:
- Pixel màu vàng để dạy mô hình biết sơn trông như thế nào
Kết quả: Phát hiện vết sơn bắn ở cấp độ pixel
Kiểm Tra Nhiều Đặc Điểm Cùng Lúc
Một segmenter có thể kiểm tra nhiều đặc điểm cùng một 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 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 lỗi có thể cùng tồn tại trong 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 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 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 |
Mô hình Segmentation cung cấp thời gian chu kỳ kiểm tra nhanh nhất, làm cho chúng trở nên lý tưởng cho môi trường sản xuất có thông lượng cao.
Khi Nào Nên Chọn Mỗi Mô Hình
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 kỳ vọng
- 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 cứ 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 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 hở, xác minh độ phủ, 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. 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 một cách nhanh chóng.
Segmenter cần chú thích ở cấp độ pixel trong quá trình gán nhãn, mất nhiều thời gian hơn đáng kể so với việc chọn một class 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.
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 được giảm kích thước trước khi AI xử lý, có nghĩa là các lỗi nhỏ có thể trở nên vô hình. 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 mà 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 classifier. 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 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 mô hình cho mỗi recipe, hoặc là classifier hoặc là segmenter
- OV80i: Hỗ trợ đa mô hình. Chạy đồng thời một classifier và một segmenter trên cùng một lần chụp trong cùng một recipe. Ví dụ, sử dụng ROI classifier để kiểm tra sự hiện diện của linh kiện (pass/fail) trong khi ROI segmenter phát hiện các khuyết tật bề mặt trên cùng một bộ phận. Cả hai mô hình đều chạy trên mỗi trigger và tạo ra kết quả độc lập.