跳到主要内容

AI 驱动文档

您想了解什么？

分类器 vs Segmenter

OV10i Note

OV10i 仅支持 classification 模型。本页提到的 Segmentation 功能在 OV20i 与 OV80i 摄像机上可用。

For pixel-level defect detection or inspecting multiple features simultaneously, consider the OV20i or OV80i, which support segmentation models.

本页面解释 OV10i 系统中可用的两种 AI 模型类型，并帮助您为检验需求选择合适的方法。

备注

OV10i 不具备 Segmentation 功能。

Need training images?

Use the Defect Creator Studio to generate photorealistic synthetic defect images — describe the defect in plain English and get training-ready images in seconds.

两种类型的项目​

OV10i 提供两种用于不同检验需求的独特 AI 模型方法：

  • 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，用以训练一个深度学习模型，根据图像的视觉特征将其分类到不同的类别。

The "Cats vs. Dogs" Approach: Classification 最适用于图像可以处于离散状态之一的项目（例如 良好 vs 不良，但类别数量可以为任意数量）。

Classification 训练模式​

Classification 提供两种不同的训练方法：

⚡ Fast Classifier

  • 目的: 快速搭建和测试
  • 用例: 快速原型设计与概念验证
  • 速度: 更快的训练时间
  • 精度: 较低
  • 生产就绪: ❌ 不推荐用于生产

Accurate/Production Classifier

  • 用途: 生产就绪的检验
  • 用例: 最终部署与制造
  • 速度: 更长的训练时间
  • 精度: 更高
  • 生产就绪: ✅ 作为最佳结果的主训练模型

来自生产环境的分类示例​

示例 1：松动螺母检测（OEM 装配）​

任务: 识别机械装配中的松动螺母

设置：

  • ROI: 环绕螺母区域的矩形
  • 类别：
  • ✅ Good - 拧紧良好螺母 (通过 100%)
  • ❌ Defect - 松动螺母 (失败 98%)

松动螺栓

结果: 二元判定 - 螺母是正确就位还是松动

示例 2：轴就位验证（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 - 完全就位的轴
  • ❌ Defect - 部分就位的轴
  • ❌ Defect - 完全未就位的轴

轴就位

结果: 组件被归类为正确安装或有缺陷

示例 3：弯针检查（T1 供应商制造）​

任务: 检查是否有弯曲的针脚

设置：

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

弯针

结果: 分类器区分良好针脚与不良针脚

分割模型​

什么是分割？​

创建一个分割配方，用于训练深度学习模型对图像进行像素级别的类别分割，基于带标签的缺陷。通过像素级处理，该工具适用于需要对标签进行更细粒度控制的检验。

The "Where's Waldo?" Approach: 分割最适用于缺陷形状和尺寸多样、但出现在多种位置的项目（例如寻找刮痕和凹痕）。

分割训练模式​

准确/仅生产用途

  • 目的： 面向生产的像素级分析
  • 训练： 单一高精度模式
  • 速度： 为实现更精确的像素分类而需要较长的训练时间
  • 精度： 对详细缺陷映射具有高精度
  • 生产就绪： ✅ 为制造环境优化

生产中的分割示例​

示例 1：表面缺陷检测（T1 供应商装配）​

任务： 识别胶水泄漏

设置：

  • ROI： 围绕阀表面的矩形区域
  • 像素类别：
  • 胶水 (黄色像素)

表面缺陷

结果： 黄色高亮显示 AI 模型检测为缺陷的区域，供参考的原始图像亦会显示

示例 2：缝隙尺寸测量（T1 供应商装配）​

**任务：验证检查部位的缝隙尺寸是否正确

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：
  • 蓝色像素用于指示距离的外观
  • ✅ 合格 - 面积 <100 像素（通过）
  • ❌ 缺陷 - 面积 > 100 像素（失败）

缝隙测量

结果： 缝隙尺寸的精确测量和像素计数

示例 3：油漆飞溅​

任务：确认没有油漆飞溅

设置：

  • ROI： 检查区域周围的矩形
  • 像素类别：
  • 用于教会模型识别油漆外观的黄色像素

油漆飞溅

结果： 像素级的油漆飞溅检测

何时选择每种模型​

选择 Classification 时：​

离散状态决策：

  • ✅ 你需要对“好/坏”进行简单分类
  • ✅ 整个 ROI 可以标注为以下多类之一
  • ✅ 总体状况评估 已足够
  • ✅ 固定缺陷位置 是预期
  • ✅ 检验过程中可以接受更快的循环时间

最佳应用： Go/No-Go 决策、组件存在/缺失、整体质量评估

选择 Segmentation 时：​

位置变量分析：

  • ✅ 缺陷可能出现在检验区域的任何位置
  • ✅ 需要测量缺陷的尺寸或面积
  • ✅ 一张图像中可能存在多种缺陷类型
  • ✅ 需要精确的位置映射
  • ✅ 对生产而言，最快的循环时间至关重要

最佳应用： 表面缺陷、缝隙测量、覆盖率验证、可变定位缺陷

性能对比​

循环时间性能​

模型类型检验速度最佳用例
分割⚡ 最快高速生产线
分类（高精度）较慢质量关键的检验
分类（快速）中等测试与原型验证
备注

分割模型提供最快的检验循环时间，使其成为高产线生产环境的理想选择。

训练模式概 Overview​

Wait—Oops: I accidentally typed "概 Overview" incorrectly. We must ensure proper translation: "## 训练模式概览" not "概 Overview". I must produce final markdown correctly.

Let's craft final again:

训练模式概览​

分类训练选项​

  • Fast Mode: 用于测试的快速设置（不适用于生产环境）
  • Accurate Mode: 具有更高精度的生产就绪

分割训练选项​

  • Accurate Mode Only: 单一高精度模式，专为生产优化

🔗 相关链接​