AI-POWERED DOCS
What do you want to know?
Classifier vs Segmenter
Trang này giải thích hai loại AI model có sẵn trong hệ thống OV20i và giúp bạn lựa chọn phương pháp phù hợp cho nhu cầu kiểm tra của mình.
OV10i không có khả năng segmentation.
Hai Loại Dự Án
OV20i cung cấp hai phương pháp AI model riêng biệt cho các yêu cầu kiểm tra khác nhau:
- Classification - Phương pháp "Mèo vs. Chó"
- Segmentation - Phương pháp "Where's Waldo?"
Classification Models
Classification Là Gì?
Tạo một Classification Recipe để huấn luyện một deep-learning model nhằm phân loại hình ảnh thành các class khác nhau dựa trên đặc điểm trực quan của nó.
Phương pháp "Mèo vs. Chó": Classification phù hợp nhất với các dự án mà hình ảnh có thể thuộc một trong số các trạng thái rời rạc (ví dụ: tốt vs. xấu, nhưng với bất kỳ số lượng class nào).
Các Chế Độ Huấn Luyện Classification
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 Production: ❌ Không được 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: ✅ Model huấn luyện chính để có kết quả tốt nhất
Ví Dụ Classification Trong Sản Xuất
Ví Dụ 1: Phát Hiện Đai Ốc Lỏng (Lắp Ráp OEM)
Nhiệm Vụ: Xác định đai ốc bị 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 được lắp đúng vị trí hoặc bị lỏng
Ví Dụ 2: Xác Minh Lắp Trục (Lắp Ráp OEM)
Nhiệm Vụ: Xác định các trục được lắp không hoàn chỉnh
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 bị lệch ra ngoài
Kết Quả: Linh kiện được phân loại là được lắp đúng cách hoặc bị lỗi
Ví Dụ 3: Kiểm Tra Chân Bị Cong (Gia Công Nhà Cung Cấp T1)
Nhiệm Vụ: Kiểm tra các chân (Pin) bị cong
Thiết Lập:
- ROI: Hình chữ nhật bao phủ mảng chân tản nhiệt
- Classes:
- ✅ Good - Chân không bị hỏng (Thẳng)
- ❌ Defect - Chân bị cong/hỏng (Cong)
Kết Quả: Classifier phân biệt giữa chân tốt và chân xấu
Segmentation Models
Segmentation Là Gì?
Tạo một Segmentation Recipe để huấn luyện một deep-learning model nhận hình ảnh và phân đoạn các class ở cấp độ pixel dựa trên các lỗi đã được gán nhãn. Bằng cách hoạt động ở cấp độ pixel, công cụ này hữu ích cho các kiểm tra cần kiểm soát chi tiết hơn về các nhãn.
Phương pháp "Where's Waldo?": Segmentation phù hợp nhất với các dự án mà lỗi có thể có nhiều hình dạng và kích thước khác nhau, nhưng xuất hiện ở nhiều vị trí khác nhau (ví dụ: tìm kiếm vết trầy xước và vết lõm).
Chế Độ Huấn Luyện Segmentation
Accurate/Production Only
- Mục Đích: Phân tích ở cấp độ pixel sẵn sàng cho production
- Huấn Luyện: Chế độ 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 Production: ✅ Được tối ưu hóa cho môi trường sản xuất
Ví Dụ Segmentation Trong Sản Xuất
Ví Dụ 1: Phát Hiện Lỗi Bề Mặt (Lắp Ráp Nhà Cung Cấp T1)
Nhiệm Vụ: Xác định keo bị tràn
Thiết Lập:
- ROI: Hình chữ nhật quanh bề mặt van
- Pixel Classes:
- Keo (Pixel màu vàng)
Kết Quả: Các vùng được làm nổi bật màu vàng cho thấy chính xác những gì AI model phát hiện là lỗi, với hình ảnh gốc được hiển thị để tham khảo
Ví Dụ 2: Đo Kích Thước Khe Hở (Lắp Ráp Nhà Cung Cấp T1)
Nhiệm Vụ: Xác minh rằng khe hở của kiểm tra có kích thước phù hợp
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 dạy cho model biết khoảng cách trông như thế nào
- ✅ Good - Diện tích <100 pixels (Pass)
- ❌ Defect - Diện tích > 100 pixels (Fail)
Kết Quả: Đo lường chính xác kích thước khe hở với số lượng pixel chính xác
Ví Dụ 3: Vết Bắn Sơn
Nhiệm Vụ: Xác định không có vết bắn sơn
Thiết Lập:
- ROI: Hình chữ nhật quanh vùng kiểm tra
- Pixel Classes:
- Pixel màu vàng để dạy cho model biết sơn trông như thế nào
Kết Quả: Phát hiện ở cấp độ pixel các vết bắn sơn
Khi Nào Chọn Mỗi Model
Chọn Classification Khi:
Quyết Định Trạng Thái Rời Rạc:
- ✅ Bạn cần phân loại tốt/xấu đơn giản
- ✅ Toàn bộ ROI có thể được gán nhãn là một trong số nhiều class
- ✅ Đánh giá tình trạng tổng thể là đủ
- ✅ Vị trí lỗi cố định được dự đoán trước
- ✅ Thời gian chu kỳ nhanh hơn được chấp nhận trong quá trình kiểm tra
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:
Phân Tích Vị Trí Thay Đổi:
- ✅ 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 yêu cầu bắt buộc
- ✅ Thời gian chu kỳ nhanh nhất là yếu tố quan trọng đối với sản xuất
Phù hợp nhất cho: Lỗi bề mặt, đo khe hở, xác minh độ phủ, các lỗi ở vị trí thay đổi
So Sánh Hiệu Năng
Hiệu Năng 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 đòi hỏi chất lượng cao |
| Classification (Fast) | Trung bình | Kiểm thử và tạo prototype |
Các Segmentation model 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.
Tóm Tắt Chế Độ Huấn Luyện
Tùy Chọn Huấn Luyện Classification
- Fast Mode: Thiết lập nhanh để kiểm thử (không sẵn sàng cho production)
- Accurate Mode: Sẵn sàng cho production với độ chính xác cao hơn
Tùy Chọn Huấn Luyện Segmentation
- Chỉ Accurate Mode: Chế độ độ chính xác cao duy nhất được tối ưu hóa cho production