跳到主要内容

AI 驱动文档

您想了解什么？

Classifier 与 Segmenter

OV10i Note

OV10i 仅支持 classification 模型。本页提到的分割功能在 OV20i 与 OV80i 摄像头上可用。

本页介绍 OV10i 系统中可用的两种 AI 模型类型，并帮助您为检查需求选择合适的方法。

备注

OV10i 不具备 segmentation 功能。

两种类型的项目​

OV10i 提供两种不同的 AI 模型方法，以满足不同的检查需求：

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

Classification Segmentation

Classification 模型​

什么是 Classification？​

创建一个 Classification Recipe，以训练一个深度学习模型，基于视觉特征将图像分类到不同类别。

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，但类别数量可以任意多）。

Classification 训练模式​

Classification 提供两种不同的训练方式：

⚡ Fast Classifier

  • Purpose: Quick setup and testing
  • Use Case: Rapid prototyping and proof-of-concept
  • Speed: Faster training time
  • Accuracy: Lower precision
  • Production Ready: ❌ Not recommended for production

Accurate/Production Classifier

  • Purpose: Production-ready inspections
  • Use Case: Final deployment and manufacturing
  • Speed: Longer training time
  • Accuracy: Higher precision
  • Production Ready: ✅ Main training model for best results

Classification 生产示例​

Example 1: Loose Nut Detection (OEM Assembly)​

Task: Identify loose nuts in mechanical assemblies

Setup:

  • ROI: Rectangle around nut area
  • Classes:
  • ✅ Good - Properly tightened nut (Pass 100%)
  • ❌ Defect - Loose nut (Fail 98%)

Loose bolt

Result: Binary decision - nut is properly seated or loose

Example 2: Shaft Seating Verification (OEM Assembly)​

Task: Identify partially seated shafts

Setup:

  • ROI: Rectangle covering shaft mounting area
  • Classes:
  • ✅ Good - Fully seated shaft
  • ❌ Defect - Partially seated shaft
  • ❌ Defect - Fully out shaft

Shaft Seating

Result: Component gets categorized as properly installed or defective

Example 3: Bent Pin Inspection (T1 Supplier Fabrication)​

Task: Check for bent Pins

Setup:

  • ROI: Rectangle covering radiator pin array
  • Classes:
  • ✅ Good - Undamaged Pin (Straight)
  • ❌ Defect - Bent/Damaged pins (Bent)

Bent pin

Result: Classifier differentiates a good and a bad pin

Segmentation Models​

什么是 Segmentation？​

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

The "Where's Waldo?" Approach: Segmentation 最适用于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 Training Mode​

仅限精确/生产环境

  • 目的: 生产就绪的像素级分析
  • 训练: 单一高精度模式
  • 速度: 为精确像素分类而延长的训练时间
  • 精度: 用于详细缺陷映射的高精度
  • 生产就绪: ✅ 针对制造环境进行了优化

Segmentation Examples from Production​

Example 1: Surface Defect Detection (T1 Supplier Assembly)​

任务: 识别胶水溢出

Setup:

  • ROI: 阀体表面周围的矩形区域
  • Pixel Classes:
  • 胶水 (Yellow pixels)

Surface Defects

结果: 黄色高亮准确显示 AI 模型检测为缺陷的区域，参考图像如下

Example 2: Gap Size Measurement (T1 Supplier Assembly)​

任务: 验证检测区域的间隙是否符合要求

Setup:

  • ROI: 间隙区域周围的矩形区域
  • Measurement Logic: 基于像素面积值的通过条件
  • Classes:
  • 蓝色像素用于指示距离的外观
  • ✅ 好 - 面积 <100 像素 (通过)
  • ❌ 缺陷 - 面积 > 100 像素 (失败)

Gap Measurements

结果: 对间隙尺寸进行精确测量，并给出精确的像素计数

Example 3: Paint splatter​

任务: 识别不存在油漆飞溅

Setup:

  • ROI: 检查区域周围的矩形区域
  • Pixel Classes:
  • 黄像素用于表示油漆的外观

Paint Splatter

结果: 像素级检测到油漆飞溅

When to Choose Each Model​

Choose Classification When:​

离散状态决策：

  • ✅ 你需要 简单的好/坏分类
  • ✅ 整个 ROI 可以标记为 多个类别中的一个
  • ✅ 整体条件评估 足以判断
  • ✅ 固定缺陷位置 是预期之内
  • ✅ 更快的循环时间 在检查时可接受

最佳用途： Go/No-Go 决策、组件存在/不存在、整体质量评估

Choose Segmentation When:​

可变位置分析：

  • ✅ 缺陷可以 出现在检查区域的任意位置
  • ✅ 你需要 测量缺陷的尺寸或面积
  • ✅ 同一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

最佳用途： 表面缺陷、间隙测量、覆盖验证、可变位置缺陷

Performance Comparison​

Cycle Time Performance​

模型类型检查速度最佳用例
Segmentation⚡ 最快高速生产线
Classification (Accurate)较慢质量关键检查
Classification (Fast)中等测试与原型开发
备注

Segmentation 模型提供最快的检查循环时间，非常适用于高吞吐量的生产环境。

Training Mode Summary​

Classification Training Options​

  • Fast Mode: 快速设置用于测试（非生产就绪）
  • Accurate Mode: 具备更高精度的生产就绪模式

分割训练选项​

  • 仅限高精度模式：针对生产优化的单一高精度模式

🔗 相关链接​