跳到主要内容

AI 驱动文档

您想了解什么？

Classifier 与 Segmenter

OV10i 注意事项

OV10i 仅支持 classification 模型。本页面提及的 segmentation 功能仅在 OV20i 和 OV80i 相机上可用。

如需进行像素级缺陷检测或同时检查多个特征，建议使用支持 segmentation 模型的 OV20i 或 OV80i。

本页介绍 OV10i 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案。

查看实际效果 — 交互式深度解析

通过图示和实操演练进行可视化讲解：

  • Understanding Classifier — Types、Classes 和 ROI 的嵌套方式；实时 classifier 演练 (OV10i)
  • Understanding Segmenter — 像素级掩膜、调色板、计数与测量；绘画式 segmenter 演练 (OV20i，因为 OV10i 仅支持 classifier)
备注

OV10i 不具备 segmentation 功能。

需要训练图像？

使用 Defect Creator Studio 生成照片级真实感的合成缺陷图像 — 用普通英语描述缺陷，即可在数秒内获得可用于训练的图像。

两种项目类型​

OV10i 针对不同的检测需求提供两种不同的 AI 模型方案：

  • Classification - "猫 vs. 狗"方法
  • Segmentation - "Where's Waldo (找瓦尔多)"方法

Classification Segmentation

Classification 模型​

什么是 Classification？​

创建 Classification 程序以训练深度学习模型，根据图像的视觉特征将其归类到不同的 class。

"猫 vs. 狗"方法： Classification 最适合图像可处于离散数量状态之一的项目（例如，good vs. bad，但可以包含任意数量的 class）。

Classification 训练模式​

Classification 提供两种不同的训练方式：

⚡ Fast Classifier

  • 用途： 快速搭建与测试
  • 使用场景： 快速原型验证与概念验证
  • 速度： 训练时间较短
  • 精度： 精度较低
  • 是否可用于生产： ❌ 不推荐用于生产

Accurate/Production Classifier

  • 用途： 可用于生产的检测
  • 使用场景： 最终部署与制造
  • 速度： 训练时间较长
  • 精度： 精度较高
  • 是否可用于生产： ✅ 可获得最佳效果的主要训练模型

来自生产现场的 Classification 示例​

示例 1：螺母松动检测（OEM 装配）​

任务： 识别机械装配中的松动螺母

设置：

  • ROI： 围绕螺母区域的矩形
  • Classes：
  • ✅ Good - 正确拧紧的螺母 (Pass 100%)
  • ❌ Defect - 松动的螺母 (Fail 98%)

Loose bolt

结果： 二元判定 - 螺母是否正确就位或松动

示例 2：轴体就位验证（OEM 装配）​

任务： 识别未完全就位的轴

设置：

  • ROI： 覆盖轴安装区域的矩形
  • Classes：
  • ✅ Good - 完全就位的轴
  • ❌ Defect - 部分就位的轴
  • ❌ Defect - 完全脱出的轴

Shaft Seating

结果： 组件被归类为正确安装或存在缺陷

示例 3：弯曲引脚检测（T1 供应商制造）​

任务： 检查弯曲的引脚

设置：

  • ROI： 覆盖散热器引脚阵列的矩形
  • 类别：
  • ✅ 良品 - 未损坏的引脚（笔直）
  • ❌ 缺陷 - 弯曲/损坏的引脚（弯曲）

Bent pin

结果： 分类器区分良品和不良品引脚

分割模型​

什么是分割？​

创建分割程序以训练深度学习模型，使其能够获取图像并根据标注的缺陷在像素级别对类别进行分割。通过在像素级别进行操作，此工具适用于需要对标签进行更精细控制的检测。

"Where's Waldo?" 方法： 分割最适合于缺陷可呈现多种形状和大小，并出现在不同位置的项目（例如，查找划痕和凹痕）。

分割训练模式​

仅高精度/生产模式

  • 目的： 可用于生产的像素级分析
  • 训练： 单一的高精度模式
  • 速度： 训练时间较长，用于精确的像素分类
  • 精度： 高精度用于详细的缺陷映射
  • 可用于生产： ✅ 针对制造环境优化

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： 阀门表面周围的矩形
  • 像素类别：
  • 胶水（黄色像素）

Surface Defects

结果： 黄色高亮显示了 AI 模型检测到的缺陷，并提供原始图像作为参考

示例 2：间隙尺寸测量（T1 供应商装配）​

任务： 验证检测的间隙是否为正确尺寸

设置：

  • ROI： 间隙区域周围的矩形
  • 测量逻辑： 基于像素面积值的通过条件
  • 类别：
  • 蓝色像素用于教导距离的样式
  • ✅ 良品 - 面积 <100 像素（通过）
  • ❌ 缺陷 - 面积 > 100 像素（失败）

Gap Measurements

结果： 精确测量间隙尺寸，提供准确的像素数

示例 3：油漆飞溅​

任务： 识别是否没有油漆飞溅

设置：

  • ROI： 感兴趣区域 (ROI) 周围的矩形
  • 像素类别：
  • 黄色像素用于教导油漆的样式

Paint Splatter

结果： 像素级检测油漆飞溅

何时选择每种模型​

何时选择分类：​

离散状态决策：

  • ✅ 您需要简单的良品/不良品分类
  • ✅ 整个 ROI 可被标注为几个类别之一
  • ✅ 总体状况评估已足够
  • ✅ 预期缺陷位置固定
  • ✅ 检测期间可接受较快的循环时间

最适用于： Go/No-Go 决策、组件存在/缺失、整体质量评估

何时选择分割：​

位置可变分析：

  • ✅ 缺陷可能出现在检测区域的任何位置
  • ✅ 您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
  • ✅ 最快的循环时间对生产至关重要

最适用于： 表面缺陷、间隙测量、覆盖验证、位置可变的瑕疵

性能对比​

周期时间性能​

模型类型检测速度最佳使用场景
分割⚡ 最快高速生产线
分类（精确）较慢质量关键型检测
分类（快速）中等测试和原型开发
备注

分割模型提供最快的检测周期时间，是高吞吐量生产环境的理想选择。

训练模式总结​

分类训练选项​

  • 快速模式： 用于测试的快速设置（不适用于生产）
  • 精确模式： 适用于生产，具有更高的精度

分割训练选项​

  • 仅精确模式： 针对生产优化的单一高精度模式

🔗 另请参阅​