AI-POWERED DOCS
What do you want to know?
Classifier vs Segmenter
Trang này giải thích hai loại mô hình AI có sẵn trong hệ thống OV80i và giúp bạn chọn phương pháp phù hợp cho nhu cầu kiểm tra của mình.
Hai Loại Dự Án
OV80i cung cấp hai phương pháp mô hình AI riêng biệt cho các yêu cầu kiểm tra khác nhau:
- Classification - Phương pháp "Cats vs. Dogs"
- Segmentation - Phương pháp "Where's Waldo?"
Mô Hình Classification
Classification là gì?
Tạo một Classification Recipe để huấn luyện mô hình deep-learning phân loại hình ảnh thành các class khác nhau dựa trên đặc điểm trực quan của nó.
Phương Pháp "Cats vs. Dogs": Classification phù hợp nhất cho các dự án mà hình ảnh có thể thuộc một trong các trạng thái rời rạc (ví dụ: tốt vs. xấu, nhưng với bất kỳ số lượng class nào).
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 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 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 cho kết quả tốt nhất
Ví Dụ Classification Từ Sản Xuất
Ví Dụ 1: Phát Hiện Đai Ốc Lỏng (OEM Assembly)
Nhiệm Vụ: Xác định đai ốc lỏng trong lắp ráp cơ khí
Thiết Lập:
- ROI: Hình chữ nhật xung 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 đặt đúng vị trí hoặc bị lỏng
Ví Dụ 2: Xác Minh Vị Trí Đặt Trục (OEM Assembly)
Nhiệm Vụ: Xác định các trục được đặt một phần
Thiết Lập:
- ROI: Hình chữ nhật bao phủ khu vực lắp trục
- Classes:
- ✅ Good - Trục được đặt đầy đủ
- ❌ Defect - Trục được đặt một phần
- ❌ Defect - Trục bị tuột hoàn toàn
Kết Quả: Thành phần được phân loại là đã lắp đặt đúng cách hoặc bị lỗi
Ví Dụ 3: Kiểm Tra Pin Bộ Tản Nhiệt (T1 Supplier Fabrication)
Nhiệm Vụ: Kiểm tra các vết lõm trong từng pin của bộ tản nhiệt
Thiết Lập:
- ROI: Hình chữ nhật bao phủ dãy pin bộ tản nhiệt
- Classes:
- ✅ Good - Pin không bị hư hỏng (Thẳng)
- ❌ Defect - Pin bị cong/hư hỏng (Cong)
Kết Quả: Classifier phân biệt pin tốt và pin xấu
Mô Hình Segmentation
Segmentation là gì?
Tạo một Segmentation Recipe để huấn luyện mô hình deep-learning lấy một 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 cuộc kiểm tra cần kiểm soát chi tiết hơn đối với các nhãn.
Phương Pháp "Where's Waldo?": Segmentation phù hợp nhất cho 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 vết trầy xước và vết lõm).
Chế Độ Huấn Luyện Segmentation
Chỉ Accurate/Production
- 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 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 Sản Xuất: ✅ Được tối ưu hóa cho môi trường sản xuất
Ví Dụ Segmentation Từ Sản Xuất
Ví Dụ 1: Phát Hiện Lỗi Bề Mặt (T1 Supplier Assembly)
Nhiệm Vụ: Xác định vết keo tràn
Thiết Lập:
- ROI: Hình chữ nhật xung quanh bề mặt van
- Pixel Classes:
- Glue (pixel màu vàng)
Kết Quả: Các điểm nổi bật màu vàng hiển thị chính xác những gì mô hình AI đã phát hiện là lỗi, với hình ảnh thô được hiển thị để tham khảo
Ví Dụ 2: Đo Kích Thước Khe Hở (T1 Supplier Assembly)
Nhiệm Vụ: Xác minh rằng khe hở của cuộc kiểm tra có kích thước phù hợp
Thiết Lập:
- ROI: Hình chữ nhật xung quanh khu vực khe hở
- Logic Đo Lường: Điều kiện Pass dựa trên giá trị diện tích pixel
- Classes:
- ✅ 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
Ví Dụ 3: Vết Sơn Bắn
Nhiệm Vụ: Xác định không có vết sơn bắn
Thiết Lập:
- ROI: Hình chữ nhật bao phủ khu vực lắp đặt foam
- Pixel Classes:
- Pixel màu vàng để dạy nhận biết sơn trông như thế nào
Kết Quả: Phát hiện cấp độ pixel đối với vết sơn bắn
Khi Nào Nên Chọn Mỗi Mô Hình
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 nhiều class
- ✅ Đánh giá tình trạng tổng thể là đủ
- ✅ Vị trí lỗi cố định được dự kiến
- ✅ Thời gian chu kỳ nhanh hơn có thể chấp nhận được trong quá trình kiểm tra
Phù hợp nhất cho: Quyết định Go/No-Go, sự hiện diện/vắng mặt của thành phần, đánh giá chất lượng tổng thể
Chọn Segmentation Khi:
Phân Tích Vị Trí Biến Đổi:
- ✅ 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 rất quan trọng đối với sản xuất
Phù hợp nhất cho: Lỗi bề mặt, đo khe hở, xác minh phạm vi bao phủ, các khiếm khuyết ở vị trí biến đổi
So Sánh Hiệu Suất
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 | Kiểm thử và tạo prototype |
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.
Tóm Tắt Chế Độ Huấn Luyện
Tùy Chọn Huấn Luyện Classification
- Fast Mode: Thiết lập nhanh để kiểm thử (chưa sẵn sàng cho sản xuất)
- Accurate Mode: Sẵn sàng cho sản xuất 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 sản xuất