跳到主要内容

使用分类器（单个 ROI 示例）

本教程将带您在 OV20i 相机系统上创建您的第一个分类模型。您将学习如何设置一个单一 Region of Interest (ROI) 分类器，以自动识别并对不同类型的对象进行分类——本例中为不同尺寸的钻头。

您将构建的内容： 一个可工作的分类模型，能够自动识别并对不同钻头尺寸进行分拣，具备可配置的通过/不通过逻辑。

预计时长： 45-60 分钟

技能水平： 初级

前提条件： OV20i 相机系统已设置并连接

步骤 1：创建一个新的 Classification 配方​

1.1 进入配方创建​

  1. 进入 All Recipes 页面 在您的 OV20i 界面
  2. 点击 + New Recipe 在右上角

1.2 配置配方设置​

将出现 Add A New Recipe 模态框：

  1. 输入配方名称： 使用类似 "Drill_Bit_Classification_v1" 的描述性名称
    • 命名提示： 为便于识别，包含对象类型和版本号
  2. 选择 Recipe Type： 从下拉菜单中选择 "Classification"
  3. 点击 OK 创建配方

1.3 激活配方​

  1. 在 All Recipes 列表中定位新配方（它将显示为 "Inactive"）
  2. 点击 Actions > Activate 在配方条目的右侧
  3. 点击 Activate 以确认

✅ 检查点： 您的配方现在应在配方列表中显示为 "Active"

步骤 2：访问配方编辑器​

2.1 进入编辑模式​

  1. 点击 Edit 位于您活跃的配方旁边
  2. 点击 Open Editor 以确认并启动配方编辑器

您现在将看到带有多个配置部分的配方编辑器界面。

步骤 3：配置相机成像设置​

3.1 打开成像配置​

  1. 在配方编辑器的左下角点击 Configure Imaging

3.2 调整对焦设置​

对焦对准确分类至关重要：

  1. 在相机视野内放置钻头
  2. 通过以下任一方式进行对焦调整：
    • 滑块控件，或
    • 手动数值输入
  3. 测试不同的对焦位置，直到钻头边缘清晰锐利

对焦提示：

  • 使用实时预览以实时查看对焦变化
  • 将焦点放在最关键的特征上（钻头螺旋槽、尖端几何形状）
  • 确保对象的整个深度范围都处于对焦状态

3.3 优化曝光设置​

适当曝光可确保一致的图像质量：

  1. 使用滑块或手动输入调整曝光
  2. 目标是实现均衡的照明，其中：
    • 物体细节清晰可见
    • 无区域过曝（纯白）
    • 阴影不过度遮挡重要特征

3.4 配置 LED 照明​

照明会显著影响分类准确性：

  1. 根据对象选择 LED 光模式：
    • Bright Field: 通用照明
    • Dark Field: 突出边缘和表面缺陷
    • Side Lighting: 显示纹理和高度变化
  2. 对于钻头，尝试：
    • Bright Field 用于一般形状分类
    • Side Lighting 以突出螺槽几何形状

3.5 调整 Gamma 设置​

Gamma 控制图像对比度：

  1. Adjust Gamma 以增强特征可见性
  2. Lower values 变亮暗部
  3. Higher values 提高对比度

3.6 保存成像设置​

  1. 在实时预览中查看所有设置
  2. 单击 Save Imaging Settings 以应用配置

✅ 检查点： 您的摄像头现在应能输出一致、光线充足的钻头图像。

Step 4: Configure Template Image and Alignment​

4.1 Navigate to Alignment​

  1. Click "Template Image and Alignment" 在面包屑菜单中，或
  2. Use the dropdown menu 选择 "Template Image and Alignment"

4.2 Skip Aligner (For This Tutorial)​

由于钻头将被一致放置：

  1. 选择 Skip Aligner
  2. 点击 Save 以应用更改

何时使用 Aligner： 当部件到达的位置或方向不同寻常时，请使用 Align er。对于本教程，我们假设部件放置保持一致。

Step 5: Set Up Inspection ROI​

5.1 Navigate to Inspection Setup​

  1. Click "Inspection Setup" 在面包屑菜单中

5.2 Define Region of Interest​

ROI 定义分类将发生的位置：

  1. 在相机视图中放置钻头
  2. 拖动 ROI 顶点 以框住钻头
  3. 确保 ROI：
    • 完全包含钻头
    • 排除不必要的背景
    • 对于你最大的钻头变体，ROI 需足够大

5.3 ROI Best Practices​

DoDon't
包含所有重要特征将 ROI 设得太大（包含噪声）
在对象周围留出小边框截断对象的部分
将对象的预期位置居中在一个 ROI 中包含多个对象
保持相同图像的 ROI 大小在捕获之间更改 ROI

5.4 Save ROI Configuration​

  1. 在不同钻头尺寸下验证 ROI 位置
  2. 点击 Save 以应用 ROI 设置

检查点： 无论钻头的具体尺寸如何，ROI 应始终能够框住钻头。

Step 6: Train Classification Model​

6.1 Navigate to Classification Block​

  1. Click "Classification Block" 在面包屑菜单中

6.2 Create Classification Classes​

You'll create classes for different drill bit sizes:

Example Classes:

  • Small Bits (1-3mm)
  • Medium Bits (4-6mm)
  • Large Bits (7-10mm)

6.3 Capture Training Images​

For each class, capture at least 5 different images:

Class 1: Small Bits​

  1. Place a small drill bit in the ROI
  2. Click capture to take training image
  3. Label the image as "Small"
  4. Repeat with 4 more small bits (different orientations/positions)

Class 2: Medium Bits​

  1. Place a medium drill bit in the ROI
  2. Capture and label as "Medium"
  3. Repeat 4 more times with different medium bits

Class 3: Large Bits​

  1. Place a large drill bit in the ROI
  2. Capture and label as "Large"
  3. Repeat 4 more times with different large bits

6.4 Training Image Best Practices​

Best PracticeWhy Important
Use different examples提高模型泛化能力
Vary orientations应对真实世界的定位变化
Include edge cases更好地边界检测（类别之间）
Maintain consistent lighting降低对照明依赖的错误
5+ images minimum提供充分的训练数据

6.5 标签复核与验证​

  1. 请再次核对所有标注的图像
  2. 确保正确的类别分配
  3. 移除任何错误标注的示例

6.6 启动模型训练​

  1. 点击 Train Classification Model
  2. 选择训练模式：
    • Fast: 用于测试的快速训练（2-5分钟）
    • Accurate: 生产级训练（10-20分钟）
  3. 选择迭代次数：
    • More iterations = Better accuracy
    • More iterations = Longer training time
  4. 点击 Start Training

6.7 监控训练进度​

训练进度模态框显示：

  • 当前迭代次数
  • 训练准确度百分比
  • 预计完成时间

训练控制：

  • Abort Training: 如有需要，停止训练
  • Finish Training Early: 当达到足够的准确度时停止

训练提示：

  • 目标准确度达到时，训练将自动停止
  • 85% 以上的准确度通常适用于生产使用
  • 如果准确度较低，可以使用更多图像重新训练

✅ Checkpoint: 您的模型应达到 >85% 的训练准确度。

Step 7: 测试分类器​

7.1 访问 Live Preview​

  1. 在训练完成后点击 Live Preview
  2. 在 ROI 中放置不同的 drill bits
  3. 观察分类结果：
    • 预测的类别名称
    • 置信度百分比
    • 分类时间

7.2 验证测试​

系统地测试每个类别：

测试类型预期结果失败时的处理
已知小位分类为 "Small" >80% 置信度添加更多训练图像
已知中位分类为 "Medium" >80% 置信度审查标注准确性
已知大位分类为 "Large" >80% 置信度使用更多示例重新训练
空 ROI无分类或低置信度调整置信阈值

7.3 分类问题排除​

问题可能原因解决方案
低置信度训练数据不足添加更多训练图像
错误的分类图像质量差提高照明/对焦
结果不一致ROI 包含背景噪声减小 ROI 大小
类别混淆外观相似的对象添加更多区分性样本

Step 8: 配置通过/不通过逻辑​

8.1 进入 IO Block​

在继续之前，请确保所有 AI 块已完成训练（绿状态）：

  1. 在面包屑菜单中点击 "IO Block", 或
  2. 从 Recipe Editor 选择 "Configure I/O"

8.2 定位 Classification Logic Node​

  1. 找到 "Classification Block Logic Node"（紫色节点）
  2. 如果缺失： 从左侧的节点菜单拖拽

节点颜色： 紫色节点表示 AI 操作的 Overview Logic Blocks。

8.3 配置 Classification Logic​

  1. 双击 Classification Logic Node
  2. 配置设置：

ROI 选择​

  • 从 "Inspection Region" 下拉列表中选择你的 ROI

置信度阈值​

  • 设置置信度阈值（通常 70-85%）
  • 更高阈值 = 更严格的分类
  • 较低阈值 = 更宽松的分类

目标类别选择​

  • 为“通过”结果选择目标类别
  • **示例：**仅应通过 Medium

多个 ROI 逻辑（高级）​

  • 如有需要，添加更多 ROIs
  • **选择逻辑：**必须通过“Any”或“All”规则

8.4 示例通过/不通过配置​

配置 1：按尺寸通过​

ROI: Drill_Bit_ROI
Target Class: Medium
Confidence: 80%
Logic: Pass only medium drill bits

配置 2：尺寸范围通过​

ROI: Drill_Bit_ROI
Target Classes: Medium OR Large
Confidence: 75%
Logic: Pass medium or large bits

配置 3：排除小位​

ROI: Drill_Bit_ROI
Target Class: NOT Small
Confidence: 85%
Logic: Fail if classified as small

8.5 部署逻辑配置​

  1. 在右上角点击 Done
  2. 在 Node-RED 编辑器的右上角点击 Deploy
  3. 验证部署成功信息

第9步：最终测试与验证​

9.1 端到端测试​

测试完整的检查工作流：

  1. 在检查区域放置测试对象
  2. 触发检查（手动或自动）
  3. 验证结果：
    • 正确的分类结果将显示
    • 正确的通过/不通过指示
    • 一致的时序性能

9.2 生产验证清单​

测试用例预期结果✓
目标类别对象通过结果☐
非目标类别对象失败结果☐
空 ROI失败结果☐
部分遮挡对象适当的置信度水平☐
照明条件差一致的性能☐

9.3 性能优化​

如果结果不令人满意：

  1. 添加更多训练图像（尤其是边缘情况）
  2. 调整置信度阈值
  3. 改善照明一致性
  4. 优化 ROI 定位
  5. 在“Accurate”模式下重新训练

恭喜！​

您已成功创建了第一个分类模型！您的 OV20i 系统现在可以：

  • 自动识别不同的钻头尺寸
  • 基于分类结果应用通过/不通过逻辑
  • 为每个分类提供置信分数
  • 通过 I/O 控制与生产工作流集成

下一步​

现在您已经掌握了单 ROI 分类，可以考虑探索：

高级分类技术​

  • Multi-ROI classification 适用于复杂部件
  • Hierarchical classification 用于详细分类
  • Combination inspection（classification + defect detection）

生产集成​

  • PLC communication 用于自动分拣
  • Data logging 用于质量跟踪
  • Recipe management 用于多产品线

模型优化​

  • Transfer learning 适用于相似产品
  • Active learning 用于持续改进
  • Performance monitoring 与重新训练计划

🔗 相关链接​

故障排除指南​

常见问题与解决方案​

IssueSymptomSolution
准确性较差分类结果经常错误添加更多多样化的训练图像
性能慢处理时间较长减小 ROI 大小，优化照明
结果不一致同一对象产生不同的结果改善工件定位，检查对焦
误报空 ROI 显示分类结果提高置信度阈值
训练失败模型无法成功训练检查图像质量，确保每个类别不少于 5 张图像

获取帮助​

如果遇到本教程未覆盖的问题：

  1. 在文档中查看故障排除指南
  2. 查看系统日志以获取错误信息
  3. 联系 Overview 支持，并提供：
    • 配方导出文件
    • 显示问题的示例图像
    • 系统配置详细信息

教程完成！ 现在您拥有一个可用于生产的分类系统。请记得定期验证性能，并在需要时重新训练模型，以维持长期的准确性。