跳到主要内容

训练分类器

本指南介绍如何在 OV80i 摄像头系统上配置和训练分类模型。当需要基于视觉特征自动将对象分类到不同类别时，请使用本流程。

何时使用 Classification： 根据类型、尺寸、颜色或状态对零件进行分类；识别不同的产品变体；具有多种可接受类别的质量控制。

先决条件​

  • 已激活的配方，且已配置成像设置
  • 已完成（或跳过）模板图像和对齐
  • 已定义检验 ROI
  • 代表每个要检测类别的样本对象

步骤 1：访问 Classification Block​

1.1 导航至 Classification Block​

  1. 点击 "Classification Block" 在面包屑导航中，或
  2. 从导航栏的下拉菜单中选择

New Classification Block

1.2 验证先决条件​

确保以下区块显示为绿色状态：

  • ✅ 成像设置
  • ✅ 模板与对齐（或跳过）
  • ✅ 检验设置

Configure Image Save settings Template and Alignment

步骤 2：创建 Classification Classes​

2.1 定义您的类别​

  1. 在 "Inspection Types" 下点击 Edit
  2. 为要检测的每个类别添加一个分类

2.2 配置每个类别​

对每个类别：

  1. 输入类别名称： 使用描述性名称（例如“Small”、“Medium”、“Large”）
  2. 选择类别颜色： 选择用于视觉识别的不同颜色
  3. 添加描述： 关于该类别的可选细节
  4. 点击 Save

Imaging Setup

2.3 类命名最佳实践​

良好名称不良名称
Small_Bolt, Medium_Bolt, Large_BoltType1, Type2, Type3
Red_Cap, Blue_Cap, Green_CapColor1, Color2, Color3
Good_Part, Defective_PartPass, Fail
Screw_PhillipsHead, Screw_FlatheadA, B

步骤 3：捕获训练图像​

3.1 图像捕获过程​

对于每个类别，至少拍摄 5 张图像（推荐 10 张以上）：

  1. 将代表该类别的对象放置在检验区域
  2. 验证对象是否在 ROI 边界内
  3. 点击 Capture 以拍摄训练图像
  4. 从下拉菜单中选择适当的类别
  5. 点击 Save 以存储带标签的图像
  6. 以同一类别的不同示例重复

3.2 训练数据要求​

类别最少图像数量建议图像数量备注
每个类别510-15图像越多，准确性越高
总数据集15 张及以上30-50 张及以上在所有类别之间保持平衡
边缘情况每类 2-3 张每类 5 张及以上边界示例

3.3 训练图像最佳实践​

应当：

  • 在每个类别内使用不同的示例
  • 改变对象的方向和位置
  • 包含良好的照明条件
  • 捕捉边缘情况和边界示例
  • 保持 ROI 构图的一致性

切勿：

  • 反复使用相同对象
  • 在一个 ROI 中包含多个对象
  • 在同一张图像中混合类别
  • 使用模糊或光线不足的图像
  • 拍摄之间改变 ROI 尺寸

3.4 质量控制​

在捕获每张图像后：

  1. 在预览中检查图像质量
  2. 验证正确的类别标签分配
  3. 使用 Delete 按钮删除低质量图像
  4. 如有需要，重新拍摄

步骤 4：配置训练参数​

4.1 访问训练设置​

  1. 点击 Train Classification Model 按钮

4.2 选择训练模式​

根据需要选择：

训练模式时长准确度应用场景
Fast2-5 分钟适合测试初始模型验证
Balanced5-15 分钟生产就绪大多数应用
Accurate15-30 分钟最高精度关键应用

Training Mode Selection

4.3 设置迭代次数​

手动迭代设置：

  • 低（50-100）：快速测试，基础准确性
  • 中（200-500）：生产质量
  • 高（500+）：最高精度，训练较慢

4.4 高级设置（可选）​

Batch Size（批量大小）：

  • 较小批量：训练更稳定，但速度较慢
  • 较大批量：训练更快，但稳定性可能较差

Learning Rate（学习率）：

  • 较低值：更稳定，学习较慢
  • 较高值：学习更快，存在不稳定风险

建议： 除非有特定性能要求，否则使用默认设置。

Advanced Settings

步骤 5：开始训练过程​

5.1 初始化训练​

  1. 查看训练配置
  2. 点击 Start Training
  3. 在训练模态框中监控进度

5.2 训练进度指标​

监控以下指标：

  • 当前迭代次数： 训练循环的进度
  • 训练准确度： 模型在训练数据上的表现
  • 估计时间： 剩余训练时长
  • 损失值： 模型误差（应随时间降低）

Training Progress

5.3 训练控制​

训练过程中可用的操作：

  • Abort Training：立即停止训练
  • Finish Early：达到当前准确度后停止
  • Extend Training：如有需要，增加更多迭代

5.4 训练完成​

训练会在以下情况下自动停止：

  • 达到目标准确度（通常为 95% 及以上）
  • 达到最大迭代次数
  • 用户手动停止训练

步骤 6：评估模型性能​

6.1 查看训练结果​

检查最终指标：

  • 最终准确度： 在生产使用中应大于 85%
  • 训练时间： 记录持续时间以备后续参考
  • 收敛性： 验证准确度是否趋于稳定

6.2 模型质量指标​

准确度范围质量等级建议
95%+优秀生产就绪
85-94%良好适用于大多数应用
75-84%一般考虑更多的训练数据
<75%较差使用更多/更好的图像重新训练

6.3 诊断性能不佳​

问题可能原因解决方案
低准确度 (<75%)训练数据不足增加标注图像
训练没有提升图像质量差提升照明/对焦
类别混淆外观相似的对象增加更多区分性样本
过拟合每类图像过少在各类别之间平衡数据集

Step 7: Test Classification Performance​

7.1 Live Testing​

  1. Click Live Preview to access real-time testing
  2. Place test objects in inspection area
  3. Observe classification results:
    • 预测的类别名称
    • 置信度百分比
    • 处理时间

7.2 Validation Testing​

Systematic validation process:

测试对象预期类别实际结果置信度通过/失败
已知类别 A 的对象类 A_________%☐
已知类别 B 的对象类 B_________%☐
边界示例A 类或 B 类_________%☐
未知对象低置信度_________%☐

7.3 Performance Validation​

请验证以下方面：

  • 准确性（Accuracy）： 对已知对象的正确分类
  • 置信度（Confidence）： 对清晰样本具有较高置信度（>80%）
  • 一致性（Consistency）： 对同一对象的结果可重复
  • 速度（Speed）： 适用于您应用的可接受处理时间

Step 8: Model Optimization​

8.1 If Performance is Unsatisfactory​

迭代改进过程：

  1. 确定问题区域：
    • 哪些类别易混淆？
    • 哪些对象被错误分类？
    • 置信度水平是否合适？
  2. 增加有针对性的训练数据：
    • 更多混淁类别的示例
    • 边缘情况和边界示例
    • 不同照明/定位条件
  3. 重新训练模型：
    • 使用 "Accurate" 模式以获得更好性能
    • 增加迭代次数
    • 监控准确性的提升

8.2 Advanced Optimization​

对于关键应用：

  • 数据增强（Data augmentation）： 使用多样化的照明和位置
  • 迁移学习（Transfer learning）： 从相似训练模型开始
  • 集成方法（Ensemble methods）： 结合多个模型
  • 定期重新训练（Regular retraining）： 使用新生产数据更新

Step 9: Finalize Configuration​

9.1 Save Model​

  1. Verify satisfactory performance
  2. Model automatically saves when training completes
  3. Note model version for documentation

9.2 Documentation​

Record these details:

  • Training date and version
  • Number of images per class
  • Training mode and iterations used
  • Final accuracy achieved
  • Any special considerations

9.3 Backup Configuration​

  1. Export recipe for backup
  2. Save training images separately if needed
  3. Document model parameters

Success! Your Classifier is Ready​

Your trained classification model can now:

  • Automatically categorize objects into defined classes
  • Provide confidence scores for each prediction
  • Process images in real-time for production use
  • Integrate with I/O logic for automated decision-making

Ongoing Maintenance​

Regular Model Updates​

  • Monitor performance over time
  • Add new training data as needed
  • Retrain periodically to maintain accuracy
  • Update classes for new product variants

Performance Monitoring​

  • Track accuracy metrics in production
  • Identify drift in model performance
  • Schedule retraining based on performance degradation

Next Steps​

After training your classifier:

  1. Configure I/O logic for pass/fail decisions
  2. Set up production workflows in IO Block
  3. Test complete inspection system end-to-end
  4. Deploy to production environment

常见陷阱​

陷阱影响防范措施
训练数据不足准确率低下每个类别使用 10 张以上图像
类别不平衡有偏的预测各类别图像数量相等
图像质量差结果不一致优化照明和对焦
类别过于相似分类混淆选择清晰且互斥的类别定义
缺乏验证测试生产失败始终使用未见对象进行测试