跳到主要内容

分类器 vs 分割器

本页面解释 OV20i 系统中可用的两种 AI 模型类型，并帮助您为检测需求选择合适的方法。

备注

OV10i 不具备分割能力。

两种项目类型​

OV20i 提供两种不同的 AI 模型方案，以满足不同的检测需求：

  • Classification - "Cats vs. Dogs" 方法
  • Segmentation - "Where's Waldo?" 方法

Classification Segmentation

分类模型​

什么是 Classification？​

创建一个 Classification Recipe，训练一个深度学习模型，根据图像的视觉特征将图像分类为不同的类别。

“Cats vs. Dogs” 方法：
Classification 适用于图像可以属于若干离散状态之一的项目（例如 good vs. bad，但类别数量可以任意多）。

Classification 训练模式​

Classification 提供两种不同的训练方法：

  • ⚡ Fast Classifier

    • 目的： 快速设置和测试
    • 用例： 快速原型设计与概念验证
    • 速度： 训练时间更快
    • 准确性： 精度较低
    • 生产就绪： ❌ 生产环境不推荐

  • Accurate/Production Classifier

    • 目的： 面向生产的检测
    • 用例： 最终部署与制造
    • 速度： 训练时间较长
    • 准确性： 更高的精度
    • 生产就绪： ✅ 作为最佳效果的主训练模型

来自生产的分类示例​

示例 1：松动螺母检测（OEM 装配）​

任务： 识别机械组件中的松动螺母

设置：

  • ROI： 围绕螺母区域的矩形
  • 类别：
  • ✅ Good - 螺母拧紧到位（通过 100%）
  • ❌ Defect - 松动螺母（失败 98%）

Loose bolt

结果： 二元决策 - 螺母是正确就位还是松动

示例 2：轴座就位验证（OEM 装配）​

任务： 识别部分就位的轴

设置：

  • ROI： 覆盖轴安装区域的矩形
  • 类别：
  • ✅ Good - 完全就位轴
  • ❌ Defect - 部分就位轴
  • ❌ Defect - 完全脱位轴

Shaft Seating

结果： 将组件分类为正确安装或缺陷

示例 3：弯曲针检测（T1 供应商加工）​

**任务：检查针脚是否弯曲

设置：

  • ROI： 覆盖散热器针阵列的矩形
  • 类别：
  • ✅ Good - 未损坏的针（直线）
  • ❌ Defect - 弯曲/损坏的针（弯曲）

Bent pin

结果： 分类器区分良好针和坏针

分割模型​

什么是 Segmentation？​

创建一个 Segmentation Recipe，训练一个深度学习模型，对图像进行像素级的类别分割，基于标注的缺陷进行分割。通过在像素级别操作，该工具适用于需要对标签进行更细粒度控制的检测。

“Where's Waldo?” 方法：
Segmentation 最适合缺陷可以呈现多种形状和大小、但出现在多种位置的项目（例如查找划痕和凹痕）。

Segmentation 训练模式​

准确/生产专用

  • 目的： 面向生产的像素级分析
  • 训练： 单一的高精度模式
  • 速度： 为实现精确像素分类而需要更长的训练时间
  • 准确性： 针对详细缺陷映射具有高精度
  • 生产就绪： ✅ 针对制造环境进行了优化

来自生产的分割示例​

示例 1：表面缺陷检测（T1 供应商装配）​

任务： 识别胶水溢出

设置：

  • ROI： 围绕阀体表面的矩形
  • 像素类别：
  • 胶水（黄像素）

Surface Defects

结果： 黄颜色高亮准确显示 AI 模型检测为缺陷的区域，参考图像以原图给出

示例 2：缝隙尺寸测量（T1 供应商装配）​

任务： 验证检测区域的缝隙是否为正确尺寸

设置：

  • ROI： 围绕缝隙区域的矩形
  • 测量逻辑： 基于像素面积值的通过条件
  • 类别：
  • 蓝色像素用于表示距离的示意
  • ✅ Good - 面积 <100 像素（通过）
  • ❌ Defect - 面积 > 100 像素（失败）

Gap Measurements

结果： 以像素计数的缝隙大小的精确测量

示例 3：油漆飞溅检测​

**任务：识别是否存在油漆飞溅

设置：

  • ROI： 检测区域的矩形
  • 像素类别：
  • 黄像素用于表示油漆的外观

Paint Splatter

结果： 像素级油漆飞溅检测

何时选择每种模型​

选择 Classification 的情形：​

离散状态决策：

  • ✅ 需要简单的良好/不良分类
  • ✅ 整个 ROI 可标注为多类之一
  • ✅ 整体状态评估足够
  • ✅ 预期固定缺陷位置
  • ✅ 检测时更快的循环时间可接受

最佳用于：Go/No-Go 决策、元件存在/缺失、整体质量评估

选择 Segmentation 的情形：​

可变位置分析：

  • ✅ 缺陷可能在检测区域的任意位置
  • ✅ 需要测量缺陷的大小或面积
  • ✅ 一张图像中可能存在多种缺陷类型
  • ✅ 需要精确的位置映射
  • ✅ 对生产来说，最快的循环时间至关重要

最佳用途：表面缺陷、缝隙测量、覆盖度验证、可变位置缺陷

性能比较​

循环时间性能​

模型类型检测速度最佳使用场景
Segmentation⚡ 最快高速生产线
Classification (Accurate)较慢质量关键的检测
Classification (Fast)中等测试与原型设计
备注

Segmentation 模型提供最快的检测循环时间，非常适用于高吞吐量生产环境。

训练模式摘要​

Classification 训练选项​

  • Fast Mode: 仅用于测试的快速设置（不适用于生产）
  • Accurate Mode: 生产就绪，精度更高

Segmentation 训练选项​

  • Accurate Mode Only: 单一的高精度模式，针对生产优化

🔗 参见​