Defect Creator Studio

Vấn đề nó giải quyết: Bạn cần dữ liệu huấn luyện cho các lỗi hiếm gặp, nhưng chờ chúng xảy ra tự nhiên có thể mất hàng tuần hoặc hàng tháng.

Chức năng: Tạo ra các hình ảnh lỗi tổng hợp chân thực từ một hình ảnh tốt duy nhất cùng với mô tả bằng tiếng Anh đơn giản. Tải lên một bộ phận tốt, đánh dấu vị trí lỗi sẽ xuất hiện, mô tả nó ("hairline crack along the weld seam"), và nhận được hàng chục hình ảnh huấn luyện chân thực chỉ trong vài giây.

Bắt đầu

1. Tải lên một hình ảnh sạch, có ánh sáng tốt của bộ phận. Kéo và thả vào canvas, hoặc nhấp Browse Files. Công cụ hỗ trợ độ phân giải lên đến 8K, và tất cả hình ảnh được lưu trữ cục bộ trong trình duyệt của bạn.
2. Chọn camera target của bạn. Chuyển đổi giữa OV10i/OV20i (1408 x 1080, tỷ lệ khung hình 4:3) và OV80i (3840 x 2160, 16:9). Các giá trị này khớp với đầu ra sensor thực tế của các camera OV. Nếu hình ảnh của bạn lớn hơn, công cụ sẽ tự động giảm kích thước. Nếu tỷ lệ khung hình không khớp, một lớp crop overlay sẽ cho phép bạn chọn phần muốn giữ lại.
3. Chọn loại lỗi. Sau khi tải lên, AI phân tích vật liệu, hình dạng và bề mặt hoàn thiện của bộ phận, sau đó gợi ý các loại lỗi liên quan. Có 16 loại lỗi tích hợp sẵn: Scratch, Dent, Chip, Stain, Crack, Corrosion, Porosity, Weld Defect, Discoloration, Burr, Delamination, Warping, Contamination, Missing Material, Inclusion, và Oxidation. Bạn cũng có thể thêm Custom Defects với các mô tả của riêng mình.
4. Đánh dấu vùng lỗi. Sử dụng các công cụ annotation để vẽ chính xác nơi lỗi sẽ xuất hiện trên hình ảnh.
5. Generate. Nhấp vào nút Generate màu tím. AI tạo ra một lỗi chân thực trong vùng bạn đã đánh dấu.

Công cụ Annotation

Thanh công cụ bên trái cung cấp bảy công cụ để đặt vị trí lỗi chính xác:

Phím tắt	Công cụ	Phù hợp nhất cho
C	Circle Marker	Các lỗi dạng tròn hoặc đốm như pit, bọt khí, đổi màu cục bộ
M	Rectangle Select	Các mẫu dạng dải như vết xước dọc theo cạnh hoặc warping cấp độ tấm
L	Lasso	Hình dạng không đều hoặc hữu cơ như vết nứt, vết đổ, các mẫu rạn nứt phức tạp
G	Move/Resize	Định vị lại và thay đổi kích thước annotation sau khi vẽ
E	Eraser	Xóa annotation
H	Pan	Di chuyển xung quanh hình ảnh (cũng có thể kích hoạt tạm thời bằng cách giữ Space)
Z	Zoom	Phóng to đến 800% để có độ chính xác ở cấp pixel

Các phím tắt bổ sung: Ctrl+Z để hoàn tác, Ctrl+Shift+Z để làm lại, Del để xóa annotation cuối cùng.

Thanh công cụ annotation

Bảng loại lỗi với bộ chọn camera và nút Generate

Các vùng chặt chẽ cho kết quả tốt hơn

Hãy xem mỗi annotation như một cửa sổ hướng dẫn chính xác. AI chỉ tạo ra lỗi bên trong vùng bạn chọn. Nếu vùng của bạn ôm sát khu vực lỗi dự định, mô hình có thể tập trung chính xác. Các vùng lỏng lẻo bao gồm cả nền không liên quan có thể khiến mô hình lan ảnh hưởng lỗi sang các khu vực khác.

Viết mô tả lỗi hiệu quả

AI diễn giải tên lỗi của bạn như một chỉ dẫn bằng ngôn ngữ tự nhiên. Tính cụ thể rất quan trọng.

Chất lượng	Ví dụ	Lý do
Tốt	"Light horizontal transparent scratches on glossy plastic"	Bao gồm hình thái, hướng, loại bề mặt và đặc tính hình ảnh
Tốt	"Fine radial crack near molded corner"	Cụ thể về hình dạng, vị trí và ngữ cảnh vật liệu
Kém	"scratch"	Quá mơ hồ để mô hình tạo ra kết quả hữu ích
Kém	"damage"	Không có hình thái, không có ngữ cảnh bề mặt

Hãy bắt đầu với các loại lỗi do AI đề xuất trước. Chúng hiển thị ngắn gọn trên giao diện, nhưng bên trong mỗi loại đều được ánh xạ tới một mô tả ngữ nghĩa phong phú hơn, giúp mô hình tạo ra kết quả chính xác. Chỉ thêm lỗi tùy chỉnh khi mục tiêu của bạn không nằm trong các đề xuất.

Capture from Image (lỗi tham chiếu)

Một trong những tính năng mạnh mẽ nhất. Sử dụng Browse & Capture để chọn một hình ảnh đã tải lên, đánh dấu vùng lỗi thực tế và lưu lại làm template tham chiếu có thể tái sử dụng. Điều này cho phép bạn chuyển một lỗi thực từ một hình ảnh sang các hình ảnh khác.

• Việc đặt tên là rất quan trọng. Vùng cắt bao gồm cả lỗi và nền xung quanh. AI sử dụng tên bạn đặt để hiểu phần nào là lỗi thực sự. "Bent pin on connector" cung cấp cho mô hình một neo ngữ nghĩa, trong khi "defect" khiến nó phải đoán mò.
• Các kịch bản chuyển đổi: Cùng một bộ phận ở vị trí khác, các bộ phận tương tự trên cùng một dây chuyền, hoặc thậm chí các dây chuyền sản xuất khác nhau khi khái niệm lỗi vẫn có ý nghĩa (ví dụ: một vết xước trên một vỏ nhựa có thể chuyển tốt sang một vỏ nhựa khác).
• Thanh trượt Severity, Rotation, và Size (chỉ dành cho lỗi tham chiếu): Nếu không có sự biến đổi, mọi lỗi được chuyển đổi sẽ là bản sao chính xác. Rotation thay đổi góc và hướng. Size điều khiển độ bao phủ không gian. Severity điều khiển mức độ nổi bật trực quan của lỗi.

Điều khiển Severity

Thanh trượt severity điều khiển mức độ nổi bật trực quan của lỗi. Giá trị mặc định được cố ý để ở mức tinh tế vì hầu hết các lỗi sản xuất thực tế đều tinh tế. Ngay cả ở mức 50%, lỗi vẫn khá mờ nhạt. Ở mức 1%, lỗi gần như vô hình với mắt người, nhưng camera OV vision vẫn có thể phát hiện chúng. Đây là một trong những lợi thế chính của machine vision: camera không bao giờ mệt mỏi và có thể nhận ra các mẫu dưới ngưỡng cảm nhận của con người.

Chế độ Style Variations

Nằm bên cạnh nút Change Image. Sau khi tải lên một hình ảnh, AI sẽ phân tích loại bộ phận và đề xuất các chỉnh sửa phong cách phổ biến trong sản xuất, như thay đổi hoàn thiện kim loại từ đánh chải (brushed) sang đánh bóng (polished), chuyển màu nhựa hoặc thay đổi loại lớp phủ. Bạn cũng có thể thêm các biến thể phong cách tùy chỉnh của riêng mình.

Hai trình tự hợp lệ:

• Restyle trước, rồi thêm lỗi. Hữu ích để tạo dữ liệu huấn luyện cho một dòng sản phẩm mới hoặc bảng màu mới trước khi nó tồn tại về mặt vật lý.
• Thêm lỗi trước, rồi restyle. Xem cùng một lỗi trông như thế nào trên các biến thể vật liệu, hoàn thiện và màu sắc khác nhau.

Hình học, hướng, bố cục và thành phần của bộ phận vẫn giữ nguyên. Chỉ thuộc tính phong cách được nhắm đến thay đổi. Điều này đặc biệt có giá trị vì ngữ cảnh của lỗi (vị trí, hình dạng, mức độ nghiêm trọng) giữ ổn định qua các biến thể, nên mô hình của bạn học cách phát hiện bản thân lỗi đó thay vì một sự kết hợp cụ thể giữa lỗi và hình thức bề mặt.

Giới hạn vùng

• Tối đa 9 vùng lỗi thông thường (tích hợp sẵn hoặc tùy chỉnh dựa trên văn bản)
• Tối đa 4 lỗi chuyển từ hình ảnh tham chiếu
• Ít vùng hơn thường cho kết quả sạch hơn. Bắt đầu với một vùng chính xác, xác minh chất lượng, sau đó thêm dần dần.

Hàng đợi và thông lượng

Studio chạy tối đa 3 quá trình tạo song song. Các yêu cầu bổ sung sẽ tự động xếp hàng và thực thi khi có slot trống. Sử dụng đợt 3-run để so sánh nhanh A/B/C: gửi cùng một cấu hình ba lần, so sánh kết quả cạnh nhau và chọn đầu ra tốt nhất. Để xử lý khối lượng lớn, xếp hàng từ 10 job trở lên và để chúng xử lý trong khi bạn tiếp tục công việc khác.

Compare, Library và Downloads

• Compare: Chuyển đổi giữa hình ảnh cơ sở và hình ảnh được tạo. Đối với các lỗi tinh vi, chuyển đổi nhanh/kiểu nhấp nháy hoạt động tốt nhất. Hệ thống thị giác con người phát hiện sự thay đổi qua chuyển động tốt hơn nhiều so với so sánh tĩnh cạnh nhau.
• Image Library: Khay dưới cùng cung cấp dải filmstrip có thể cuộn để quét trực quan nhanh. Chế độ xem mở rộng bổ sung quản lý dataset đầy đủ: tìm kiếm, sắp xếp, đa chọn (Ctrl/Shift-click), tải xuống từng hình ảnh, tạo file ZIP cho training pipeline và xóa.
• Tính bền vững của annotation: Khi bạn chuyển đổi giữa các hình ảnh, tất cả annotation được tự động bảo tồn và khôi phục. Điều hướng đi xem hình ảnh khác, sau đó quay lại để thấy tất cả vùng của bạn chính xác ở nơi bạn đã để.

Quy trình làm việc được khuyến nghị

1. Tải lên hình ảnh cơ sở sạch và đảm bảo nó phù hợp với khung hình OV80i (3840 x 2160). Ánh sáng tốt, lấy nét đúng và nền ít lộn xộn đều hữu ích.
2. Bắt đầu với các lỗi do AI đề xuất. Chúng được hiệu chỉnh cho loại bộ phận của bạn. Chỉ thêm tên tùy chỉnh khi lỗi mục tiêu của bạn bị thiếu.
3. Đặt một vùng chính xác, chặt chẽ và tạo trước. Chạy một vùng là cơ sở đáng tin cậy nhất.
4. Sử dụng Compare mạnh mẽ sau mỗi lần tạo. Đối với các lỗi tinh vi, chuyển đổi nhanh làm nổi bật trực quan ngay cả những khác biệt nhỏ nhất.
5. Điều chỉnh mức độ nghiêm trọng, độ chặt chẽ của vùng và từ ngữ dựa trên những gì bạn thấy. Lặp lại cho đến khi chất lượng ổn định, sau đó mở rộng sang nhiều vùng và khối lượng trong hàng đợi.

Bắt đầu với dữ liệu thực, tăng tốc với dữ liệu tổng hợp

Cách tiếp cận tốt nhất: huấn luyện với 3-5 hình ảnh thực ban đầu trước, xác định nơi AI gặp khó khăn, sau đó sử dụng Defect Studio để tạo các ví dụ tổng hợp được nhắm mục tiêu cho các chế độ thất bại cụ thể đó. Dữ liệu thực dạy cơ sở; dữ liệu tổng hợp lấp đầy các khoảng trống.

Dữ liệu tổng hợp bổ sung cho dữ liệu thực, không thay thế nó

Hình ảnh Defect Studio rất mạnh mẽ để lấp đầy các khoảng trống trong bộ huấn luyện của bạn, nhưng chúng không bao giờ nên là nguồn dữ liệu huấn luyện duy nhất của bạn. Luôn xác thực hiệu suất của mô hình dựa trên hình ảnh sản xuất thực tế.

Xem nó hoạt động

Vị trí trong quy trình làm việc: Bạn sẽ sử dụng Defect Studio trong Bước 4: Huấn Luyện Mô Hình AI Của Bạn để xây dựng dữ liệu huấn luyện nhanh hơn.