AI-POWERED DOCS
What do you want to know?
Classifier vs. Segmenter
Đây là câu hỏi phổ biến nhất khi tạo một recipe. Đây là một khung tham chiếu rõ ràng.
Để xem giải thích trực quan với trình mô phỏng tương tác, sơ đồ và sân chơi thực hành cho từng loại model, xem:
- Understanding Classifier — cách Types, Classes và ROIs lồng vào nhau; sân chơi classifier trực tiếp
- Understanding Segmenter — mặt nạ cấp pixel, bảng màu, đếm và đo lường; sân chơi segmenter kiểu paint
Classifier
Một classifier xem xét từng vùng cắt ROI và gán nó vào một category: pass, fail, present, absent, scratched, good, hoặc bất kỳ class nào bạn định nghĩa.
Hãy hình dung như việc phân loại thẻ vào các đống khác nhau. AI nhìn vào toàn bộ vùng cắt và nói "cái này thuộc đống pass" hoặc "cái này thuộc đống fail."
Sử dụng classifier khi:
- Bạn cần quyết định pass/fail hoặc đa class
- ROI của bạn đủ nhỏ để thể hiện rõ lỗi
- Tốc độ gán nhãn quan trọng (classifier nhanh hơn nhiều khi gán nhãn)
- Bạn đang 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
Để tìm hiểu sâu hơn với sân chơi tương tác, đọc Understanding 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 hình ảnh sẵn sàng để huấn luyện chỉ trong vài giây.
Các Chế Độ Huấn Luyện
Classification cung cấp hai phương pháp huấn luyện riêng biệt:
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 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 cho sản xuất: Model huấn luyện chính cho 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 các bộ 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 lỏng
Xác Minh Lắp Trục (Lắp Ráp OEM)
Nhiệm vụ: Xác định các trục lắp chưa hoàn toàn
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 hoàn toàn rơi ra
Kết quả: Linh kiện được phân loại là được lắp đặt đúng cách hoặc bị lỗi
Kiểm Tra Lá Tản Nhiệt Radiator (Gia Công Nhà Cung Cấp T1)
Nhiệm vụ: Kiểm tra các vết móp trên từng lá tản nhiệt radiator
Thiết lập:
- ROI: Hình chữ nhật bao phủ mảng lá tản nhiệt radiator
- Classes:
- Good - Lá không bị hư hỏng (Thẳng)
- Defect - Lá bị cong/hư hỏng (Cong)
Kết quả: Classifier phân biệt lá tốt và lá xấu
Segmenter
Một segmenter kiểm tra từng vùng cắt ROI ở cấp độ pixel và xác định chính xác những pixel nào thuộc về lỗi.
Hãy hình dung như việc tô sáng bằng bút đánh dấu. AI khoanh chính xác vị trí của lỗi, chứ không chỉ xác định có tồn tại 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 lường kích thước
Một segmenter chỉ học kích thước và kết cấu của các lỗi mà nó được cho xem. Huấn luyện nó với các tạp chất nhỏ thì một mảng lớn của cùng loại lỗi đó có thể đi qua dây chuyền mà chỉ có các cạnh hoặc các mảng rải rác được tô sáng — phần lớn của lỗi sẽ không được đánh dấu (mask). Cách khắc phục là bao gồm các mẫu huấn luyện trải dài toàn bộ phạm vi kích thước lỗi mà bạn dự kiến gặp phải. Không có mẫu lỗi kích thước lớn? Hãy sử dụng Defect Creator Studio để tạo các mẫu tổng hợp.
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 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 lỗi chi tiết
- Sẵn sàng cho sản xuất: Được tối ưu hóa cho môi trường sản xuất
Ví Dụ Segmentation Từ Thực Tế Sản Xuất
Phát Hiện Lỗi Bề Mặt (Lắp Ráp Nhà Cung Cấp T1)
Nhiệm vụ: Xác định keo tràn
Thiết lập:
- ROI: Hình chữ nhật quanh bề mặt van
- Pixel Classes:
- Keo (Pixel màu vàng)
Kết quả: Các điểm tô vàng cho thấy chính xác những gì mô hình AI phát hiện là lỗi, kèm theo hình ảnh gốc để tham khảo
Đo Kích Thước Khe Hở (Lắp Ráp Nhà Cung Cấp T1)
Nhiệm vụ: Xác minh rằng khe hở 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 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 Bắn Sơn
Nhiệm vụ: Xác định vết bắn sơn trên bề mặt
Thiết lập:
- ROI: Hình chữ nhật quanh vùng quan tâm (ROI)
- Pixel Classes:
- Pixel màu vàng để dạy cho hệ thống sơn trông như thế nào
Kết quả: Phát hiện vết bắn sơn 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 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 chạy, báo cáo các pixel nào thuộc về class nào.
Điều này khác với classification, nơi toàn bộ ROI nhận được 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 |
|---|---|---|
| Nó cho bạn biết điều gì | Danh mục (pass/fail/v.v.) | Các 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, danh mục | Vết xước, vết bẩn, đo lường, phát hiện 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 chất lượng quan trọng |
| Classification (Fast) | Trung bình | Thử nghiệm và tạo nguyên 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 công suất cao.
Khi Nào Nên Chọn Mỗi Mô Hình
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 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
- 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 khiếm khuyết ở 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 cấp độ pixel. Bắt đầu đơn giản cho phép bạn xác thực thiết lập của mình một cách nhanh chóng.
Segmenter cần chú thích cấp độ pixel trong quá trình gán nhãn, mất nhiều thời gian hơn đáng kể so với việc chọn một class cho classifier. Hãy dành 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 crop ROI ở độ phân giải tối đa 512x512 pixel. Bất kỳ ROI nào lớn hơn mức này sẽ bị thu nhỏ trước khi AI xử lý, điều này có nghĩa là các lỗi nhỏ có thể trở nên vô hình. Hãy giữ cho 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 tinh vi.
Vùng chồng lấp
Có sự chồng lấp 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 lỗi nhỏ trong khu vực lớn, hoặc bạn cần đo lường), hãy chuyển sang segmenter
- Hãy 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 Model | 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 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 là classifier hoặc là segmenter
- OV80i: Hỗ trợ đa model. Chạy đồng thời một classifier và một segmenter trên cùng một lần chụp trong một recipe duy nhất. Ví dụ, sử dụng một ROI classifier để kiểm tra sự hiện diện của linh kiện (pass/fail) trong khi một ROI segmenter phát hiện các khuyết tật bề mặt trên cùng một bộ phận. Cả hai model đều chạy trên mỗi trigger và tạo ra các kết quả độc lập.