AI 驱动文档
您想了解什么？
创建首个程序
本深度指南将解释什么是程序，概述分类（Classification）与分割（Segmentation）之间的区别，并提供创建程序的逐步指导。同时还包括图像设置配置、模板图像捕获与对齐设置、ROI 优化、数据采集与 AI 训练以及图像数据增强配置的详细说明。
查看本主题的实际操作：如何在几分钟内创建分割程序
学习目标
完成本深度指南后，您将了解：
- 什么是程序
- 分类与分割之间的区别——以及何时使用每种方法
- 如何创建程序
- 如何配置图像设置
- 如何捕获模板图像并配置对齐器
- 什么是 ROI（感兴趣区域）以及如何优化它们
- 用于 AI 训练的数据采集
- 程序测试与验证
什么是程序？
- 一组配置好的指令，用于告知摄像头如何检测特定的零件或产品。
- 定义摄像头设置，包括曝光、对焦和照明参数，以实现一致的图像捕获。
- 包含处理逻辑，例如 ROI 定义、对齐器、分类或分割类别。
- 存储输入/输出配置，以与自动化系统集成，实现通过/失败或高级信号。
- 可被保存和重复使用，以确保跨班次、生产线或工厂的检测一致性。
分类 vs. 分割
定义
- 分类（Classification）：识别 ROI 中物体的类型
- 分割（Segmentation）：定位并分析图像/ROI 中的区域
示例
| 图像分类 | 图像分割 | 图像分类 | 图像分割 |
|---|---|---|---|
| 什么是绵羊？ | 哪些像素属于哪个物体？ | 这个披萨是合格还是有缺陷？ | 每片意大利香肠在哪里？ |
 |  |  |  |
关键对比
| 分类 | 分割 | |
|---|---|---|
| 速度 | 速度取决于图像设置和复杂度。在简单设置下通常高效快速 | 经过优化后可以与分类一样快甚至更快，尤其是在使用简化模型时 |
| 准确性 | 适合整体的通过/失败或零件类型识别 | 对精确缺陷定位具有更高的准确性 |
| 复杂度 | 简单，易于设置和维护；参数较少 | 复杂——需要更多数据、标注和调优 |
| 数据需求 | 低——所需的标注图像较少 | 中等——需要大量带有像素级精细标注的图像 |
| 使用场景 | 零件存在性、方向、基本质量检查、零件已插入/未插入等。 | 表面缺陷、精细特征检测、多缺陷检测、计数、测量等。 |
创建和导出程序
使用程序旁边的导出程序按钮可导出单个程序。
使用屏幕顶部的导出按钮可一次导出多个程序。
使用屏幕顶部的导入按钮可导入程序。
请注意： 每个程序一次仅支持一种检测类型，即分割或分类。在开始设置之前，请选择正确的类型。
图像设置
对焦
- 含义： 调整捕获图像的清晰度。
- 使用方法： 滑动直至图像中的边缘和细节看起来清晰锐利。
对焦时请使用具有清晰边缘的目标物体（如直尺或校准卡）。
图像旋转
- 含义： 旋转图像（0° 或 180°）。
- 使用场景： 如果相机以某个角度安装，但您希望在界面中以另一个方向显示图像。
如果需要将图像旋转 90°，请旋转相机。
曝光 (ms)
- 含义： 图像捕获期间传感器暴露在光线下的时长。
- 效果：
- 较高曝光 → 图像更亮，但有运动模糊的风险。
- 较低曝光 → 光线较少，但在快速运动应用中图像更清晰。
| 曝光不足 | 曝光正确 | 曝光过度 |
|---|---|---|
 |  |  |
曝光呈对数关系，且曝光越高意味着延迟越大（因为图像捕获需要更多时间）。
增益
- 含义： 通过数字方式人为提亮图像（类似相机上的 ISO）。
- 效果：
- 较高增益 → 图像更亮，但会增加噪点（颗粒感）。
- 较低增益 → 图像更干净，但需要良好的照明。
| 高增益 | 低增益 |
|---|---|
 |  |
| 更亮但噪点更多 | 更暗但噪点更少 |
仅在无法调整曝光或照明时才增加增益。
自动白平衡
- 含义： 自动调整颜色平衡，使白色呈现为白色。
- 使用场景：
- 适用于照明条件多变或不稳定的环境。
- 对于稳定的设置，手动白平衡可提供更一致且可重复的结果。
手动调整白平衡的方法：
- 将自动白平衡开关切换至开。
- 在相机下方或镜头前放置一张白纸。
- 将开关切换至关以锁定白平衡设置。
Gamma
- 含义： 调整中间色调的亮度，对暗部或亮部区域影响较小。
- 效果： 有助于显现阴影中的细节或抑制过亮的高光。
Lens Correction
- 含义： 校正广角镜头产生的畸变。
- 何时启用： 如果图像边缘出现弯曲或畸变，请开启此选项以提高对齐任务的精度。
LED Strobe Mode
- 含义： 控制相机内置 LED 灯的触发时机。
- 选项：
- Off：LED 持续常亮。
- On：LED 仅在捕获图像时闪烁，可减少反光。
LED Light Pattern
- 含义： 选择 LED 的点亮方式（例如，全部点亮、全部关闭、左右、上下等）。
- 用例： 根据您的照明设置进行调整，以获得最佳的零件照明效果。
使用方向性照明模式可减少眩光或反光，方法是关闭直射反光表面的 LED，同时保持斜向光源开启，以获得更好的可见度。
LED Light Intensity
- 含义： 调整 LED 照明的亮度。
- 最佳实践： 从低亮度开始逐步增加，以避免眩光或反光。
Photometric Control
- 含义： 在不同方向的照明（左、右、上、下）下捕获多张图像（通常为四张），然后将它们合成为一张增强后的图像。
- 目的： 此技术通过提供均匀、一致的照明，减少阴影并突出细微的表面特征。
- 何时使用： 适用于复杂零件、高反光表面或表面纹理不均匀的零件，这些情况下标准单光源图像可能会遗漏关键细节。
Trigger Settings
Manual Trigger
- 含义： 当您按下 HMI 屏幕上的按钮时捕获图像。
- 最适用于： 测试、设置或手动检测。
Hardware Trigger
- 含义： 使用电信号（例如来自传感器）来触发相机。
- 最适用于： 由传感器检测零件到位的自动化生产线。
PLC Trigger
- 含义： 通过工业控制器 (PLC) 发送触发信号，以与其他机器同步工作。
- 最适用于： 需要精确时序的全自动化系统。
Aligner Trigger
- 含义： 当系统检测到视野范围内的零件对齐时自动触发。
- 最适用于： 需要在捕获前保持一致定位的应用，或没有其他可靠触发源的场景。
Interval Trigger
- 含义： 按设定的时间间隔触发相机。
- 最适用于： 连续生产流程或在无零件检测传感器的情况下监控移动生产线。
模板图像与对齐
跳过对齐器
- 功能说明： 在检测过程中关闭对齐步骤。
- 使用场景： 当零件在图像中始终处于相同位置和方向时使用。
模板区域
- 功能说明： 定义用于对齐的模板图像区域。
- 矩形： 绘制矩形感兴趣区域。
- 圆形： 绘制圆形感兴趣区域。
- 忽略模板区域： 将某些区域排除在对齐之外，以避免干扰图案或不相关特征。
- 最佳用途： 帮助系统仅关注最具辨识度的零件特征，以实现精确对齐。
旋转范围
- 功能说明： 设置系统在将零件与模板进行匹配时可容忍的旋转角度（以度为单位）。
- 示例： 设置 ±20° 可允许零件略微旋转但仍能被检测到。
- 调整时机： 如果零件在生产过程中容易发生旋转，则增大此值；对于方向高度一致的零件，则减小此值。
灵敏度
- 功能说明： 控制系统在实时图像与模板之间寻找匹配的精细程度。
- 效果：
- 高灵敏度 → 可检测出更细微的细节，适用于复杂零件。
- 低灵敏度 → 减少误匹配，但可能会忽略细微特征。
置信度阈值
- 功能说明： 设置系统接受检测结果所需的最低置信度分数。
- 效果：
- 阈值较高 → 误报较少，但可能错过边缘匹配。
- 阈值较低 → 检测结果增多，但误报风险增加。
建议从中等值开始，并根据测试结果进行调整。
尺度不变
- 功能说明： 允许系统检测尺寸略大于或略小于原始模板图像的零件。
- 启用时机： 当零件尺寸因定位、距离变化或制造公差而可能略有变化时启用。
实时预览图例
1. 一个可配置的边界框，用于定义触发期间要监控的相机视场 FOV 的特定区域。
- 用途： 确保相机仅关注相关区域，忽略不必要的背景区域。
- 最佳用途：
- 对于移动物体，确保零件完全保持在检测区域内。
- 通过减少分析的图像数据量，优化处理速度。
2. 一个红色可视圆点，显示图像中所有已定义 ROI（感兴趣区域）的中心点。
- 用途： 帮助您相对于零件或相机视图对齐和定位搜索区域。
3. 绿线表示已检测到物体边缘。
如果您看到该线变为红色，请尝试增大 ROI 尺寸、调整 ROI 或提高灵敏度。
ROI (感兴趣区域) 定义与优化
检测类型
- 定义： 定义所执行的检测类型，并将类似的 ROI（感兴趣区域）分组。
- 示例： "Holes"，用于检查零件上孔的存在、大小或质量。
- 主要功能：
- 添加检测类型： 为不同的检测需求创建新类别。
- ROI 数量： 显示当前分配给该检测类型的 ROI 数量。
变换
- 定义： 调整所选 ROI 的位置和几何形状，以实现精准的对齐与放置。
- 字段及其用途：
- 高度/宽度： 更改 ROI 的尺寸。
- X / Y： 沿水平（X）和垂直（Y）轴移动 ROI 的位置。
- 角度： 围绕 ROI 中心进行旋转。
- 最佳用途： 当存在重复图案（如多个相同的孔）时，可加快设置速度。
感兴趣区域 (ROI)
- 定义： 模板图像中定义的所有 ROI 的列表。
- 功能：
- 添加感兴趣区域 (ROI)： 手动创建新的 ROI。
- 忽略区域： 从处理流程中排除特定区域。
- 编辑： 保存、删除或取消。
- 锁定图标： 表示已锁定的 ROI，未解锁前无法移动。
实时预览模式
- 定义： 在调整或添加 ROI 后显示实时反馈。
- 使用场景： 非常适合在设置过程中微调 ROI 的位置和大小。
测试按钮
- 定义： 基于旧图像运行回测以验证更改。
- 使用场景： 比较当前结果与先前设置，以确保准确性和一致性。
数据收集与 AI 训练
定义不同的检测类别，并根据指定的检测类型为每个 ROI 添加标签（参见下方示例）。
使用标注工具对图像进行标记/标注。使用画笔类别下拉菜单选择要标注的类别。目前每个程序最多支持 10 个分割类别。
优质数据的重要性
-
垃圾进，垃圾出： AI 模型的性能取决于输入数据的质量。低质量或不一致的数据会导致不准确的结果。
-
多样性至关重要： 收集能代表所有真实世界变化的数据：不同班次、光照条件、零件位置和表面状况。
-
质量优于数量： 小而干净、标注良好的数据集往往比庞大但嘈杂或不一致的数据集表现更好。
标注基础：
- 分类： 将整个图像或 ROI 标记为特定类别（例如 "Good"、"Damaged"）。
- 分割： 以像素级精度涂刷、勾勒或高亮特定的关注区域（例如表面上的划痕位置）。
- 一致性： 使用一致的规则和定义进行标注，以避免训练过程中的混淆。
常见陷阱
- 数据不足： 样本过少会导致欠拟合，从而在实际应用中表现不佳。
- 类别不平衡： 某一类别样本过多（例如大量 "good" 零件但缺陷件很少）会使模型产生偏差。
- 标注质量差： 错误、不一致或仓促的标注会导致准确率显著下降。
- 忽视环境变化： 当光照、零件方向或表面状况发生变化时未更新数据集，会导致准确率漂移。
- 未验证数据： 训练前跳过质量检查通常会导致时间浪费和返工。
数据增强
图像数据增强人为修改训练图像，以提高模型的鲁棒性。它们模拟真实世界中的变化，例如亮度偏移、旋转或噪声，使模型在不同条件下都能良好运行。
颜色增强
亮度 (Brightness)
- 定义： 调整图像的明暗程度。
- 使用场景： 用于应对生产过程中光照的轻微变化。
在稳定的环境中使用 ±0.1；如果光照变化较大，可适当增加。
对比度 (Contrast)
- 定义： 改变明暗区域之间的差异。
- 使用场景： 适用于具有纹理或表面变化的部件，帮助模型适应视觉差异。
色调 (Hue)
- 定义： 轻微改变色调。
- 使用场景： 适用于光照颜色（例如 LED 色温）可能随时间变化的环境。
饱和度 (Saturation)
- 定义： 调整颜色的强度。
- 使用场景： 帮助应对光照变化导致图像显得暗淡或更鲜艳的情况。
几何增强
旋转范围 (Rotation Range)
- 定义： 在设定的范围内随机旋转图像（例如 ±20°）。
- 使用场景： 适用于可能以略微旋转位置出现的部件。
对于通常固定方向的部件，避免过度旋转。
翻转 (Flip)
- 定义： 水平、垂直或双向翻转图像。
- 使用场景： 适用于对称部件或在搬运过程中方向可能翻转的情况。
光照与颜色模拟
Planckian
- 定义： 模拟色温变化（例如暖光或冷光）。
- 使用场景： 应对不同光源偏移或具有不同光源的工作单元。
高斯噪声 (Gaussian Noise)
- 定义： 在图像中添加细微噪声。
- 使用场景： 如果您的生产环境存在轻微的视觉噪声或相机传感器伪影，可提高鲁棒性。
运动模拟
运动模糊 (Motion Blur)
- 定义： 模拟部件在捕获过程中移动产生的轻微模糊。
- 使用场景： 对于可能发生运动模糊的高速产线至关重要。
概率 (prob)
- 定义： 设置在训练过程中应用每种数据增强的概率。
- 示例： 0.50 = 任何给定的训练图像有 50% 的概率应用该变化。
大多数数据增强从 0.5 开始，并根据实际变化情况进行调整。
训练参数（分割）
训练参数（也称为超参数）是控制机器学习模型如何从数据中学习的设置。
学习率 (Learning Rate)
- 定义： 控制模型在训练过程中更新内部权重的速度。
- 值 (0.003)： 学习率越高，模型学习越快，但过高可能导致不稳定或精度较差。
- 滑块范围： 从 10^-4（非常慢）到 10^-1（非常快）。
通常情况下，0.001–0.01 之间的值是分割任务的良好起点。
ROI (Region of Interest) 大小
- 定义： 定义训练期间使用的图像区域大小（宽度 × 高度）。
- 未勾选： 默认情况下，模型会根据您的数据自动确定 ROI。
- 勾选时： 如果需要一致的输入尺寸（例如，所有图像裁剪为 256×256 像素），您可以手动设置宽度和高度。
当您的数据集包含不同尺寸的图像，并且您希望获得一致的输入以提高稳定性、可重现性，或匹配已知的模型架构时，请使用固定尺寸（例如 256×256）。
当您的数据已具有统一分辨率，或希望系统根据数据集的特性优化最佳感兴趣区域时，请让系统自动选择。
迭代次数 (Epochs)
- 定义： 一个 epoch = 完整遍历整个训练数据集一次。
- 值 (100)： 模型将训练 100 个完整周期。
增加此数字通常可以在一定程度上提高精度，但会花费更长的时间。
经验法则： 在训练过程中监控训练损失和验证损失。如果验证损失停止下降，而训练损失继续下降，则表明模型正在过拟合，您应当尽早停止训练。
架构
- 定义： 选择神经网络的大小和复杂度。
- Small： 训练更快，对大多数数据集来说通常已足够。非常适合快速实验或较小的数据集。
- 更大的模型 可以捕获更多细节，但在小数据集上可能会过拟合，而较小的模型在数据有限时效率更高，泛化能力更好。
从 Small 开始，它通常已足够，并能帮助您在扩展之前更快地迭代。
外部 GPU
请联系支持人员以了解更多关于外部 GPU 的信息。
训练参数（分类）
训练参数（也称为超参数）是控制 机器学习模型如何从数据中学习 的设置。
学习率
- 定义： 控制模型在训练期间更新其内部权重的速度。
- 值 (0.003)： 学习率越高，模型学习越快，但过高可能导致不稳定或精度不佳。
- 滑块范围： 从 10^-4（非常慢）到 10^-1（非常快）。
通常，0.001–0.01 之间的值是分割任务的良好起点。
验证集百分比
- 定义： 定义将数据集中多大比例的数据用于验证（训练期间的测试）。
- 目的： 验证数据有助于监控模型在未见样本上的表现，防止过拟合。
- 范围： 0–50%。
常见的选择是 10–20%。
如果设置为 0%，则所有数据都用于训练，这可能会提高训练精度，但更难检测过拟合。
ROI（感兴趣区域）尺寸
- 定义： 定义训练期间使用的图像区域的尺寸（宽 × 高）。
- 未勾选时： 默认情况下，模型根据您的数据自动确定 ROI。
- 勾选时： 如果您需要一致的输入尺寸（例如，所有图像都裁剪为 256×256 像素），可以手动设置宽度和高度。
当您的数据集包含不同尺寸的图像，并且您希望获得一致的输入以提高稳定性、可重现性或匹配已知的模型架构时，请使用固定尺寸（例如 256×256）。
当您的数据已具有统一的分辨率，或者您希望系统根据数据集特征优化最佳感兴趣区域时，请让其自动选择。
迭代次数（Epochs）
- 定义： 一个 epoch = 完整遍历整个训练数据集一次。
- 值 (100)： 模型将进行 100 次完整训练遍历。
增加此数值通常会在一定程度上提高准确度，但训练时间会更长。
经验法则： 在训练期间监控训练损失和验证损失。如果验证损失停止下降而训练损失继续下降，则表明模型出现过拟合，您应提前停止训练。
架构
- 定义： 选择神经网络的规模和复杂度。
- Small： 训练速度更快，通常足以应对大多数数据集。非常适合快速实验或小型数据集。
从 Small 开始，它通常已经足够，并能帮助您在扩大规模之前更快地迭代。
| 架构与相机 | 描述 | 推荐用途 |
|---|---|---|
| ConvNeXt-Pico | 超轻量模型，针对速度和低内存使用进行了优化。 | 非常适合快速实验或硬件资源有限的场景。 |
| ConvNeXt-Nano | 比 Pico 略大；以极小的额外成本获得更好的准确度。 | 在中小型数据集上取得良好平衡。 |
| ConvNeXt-Tiny | 在保持高效的同时提供更高的准确度。 | 适用于中等规模的数据集和较长的训练周期。 |
| ConvNeXt-Small | 此列表中能力最强的变体。具有更高的容量和准确度。 | 适用于大型数据集或需要最高性能的场景。 |
外部 GPU
如需了解更多关于外部 GPU 的信息，请联系支持团队。