首次配方创建

OV10i Note

OV10i 仅支持 classification 模型。本页提及的 Segmentation 功能在 OV20i 与 OV80i 摄像头上可用。

本深度解读将解释什么是 Recipe，概述 Classification vs. Segmentation 的差异，并提供创建 Recipe 的分步指南。内容还包括 Imaging Setup 配置、Template Image 捕获与 Aligner 设置、ROI 优化、数据收集与 AI 训练，以及图像增强配置的详细演示。

视频指南

请观看本主题的实际演示：How to create a segmentation recipe in minutes

---

学习目标

在本次深度讲解结束时，您将理解：

• 什么是 Recipe
• Classification vs. Segmentation 的差异 – 以及何时使用各自
• 如何创建 Recipe
• 如何配置 Imaging Setup（成像设置）
• 如何捕获 Template Image 并配置 Aligner（对齐器）
• 什么是 ROI（Regions of Interest，感兴趣区域）以及如何优化它们
• 用于 AI 训练的数据收集
• Recipe 的测试与验证

What is a Recipe?

• 一个 配置好的指令集，用于告诉相机如何对特定部件或产品进行检测。
• 定义 相机设置，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，如 ROI 定义、Aligner、classification（分类）或 segmentation（分割）类别。
• 存储 输入/输出配置，以与自动化系统集成，用于 pass/fail 或高级信号。
• 可以 保存并重复使用，以确保跨班次、生产线或工厂的一致性检查。

Classification vs. Segmentation

定义

• Classification：在 ROI 中识别对象的类型
• Segmentation：定位并分析图像/ROI 中的区域

示例

Image Classification	Image Segmentation	Image Classification	Image Segmentation
What is a sheep?	Which pixels belong to which object?	Is this pizza acceptable or defective?	Where is each pepperoni?

关键对比

	Classification	Segmentation
Speed	速度取决于 Image Setup 与复杂度。通常在简单设置下高效且快速	可以与 Classification 同样快，甚至更快，尤其是在进行优化并使用简化模型时。
Accuracy	适用于总体的 通过/失败 或部件类型识别	对于更精准缺陷定位具有更高的准确性
Complexity	简单，易于设定与维护；参数较少	复杂 – 需要更多数据、标注与微调
Data Requirement	低 – 需要较少标注图像	中等 – 需要大量具有像素级精确注释的图像
Use Cases	部件存在、方向、基线质量检查、部件已插入/未插入等	表面缺陷、细微特征检测、多缺陷检测、计数、测量等

创建和导出 Recipe

使用位于 Recipe 旁边的 Export Recipe 按钮导出单个 Recipe。

在屏幕顶部使用 Export 按钮一次导出多个 Recipes。

在屏幕顶部使用 Import 按钮导入 Recipes。

备注

Remember: 每个 Recipe 仅在同一时间支持一种检查类型，分为 segmentation 或 classification。在开始设置之前，请选择正确的类型。

Imaging Setup

Focus

• 它是什么： 调整捕获图像的清晰度。
• 如何使用： 拖动直到图像中的边缘和细节看起来清晰锐利。

提示

聚焦时请使用边缘清晰的目标对象（如尺子或校准卡）。

Image Rotation

• 它是什么： 将图像旋转（0° 或 180°）。
• 使用场景： 如果相机以一定角度安装，但你希望在界面中显示相反的方向。

备注

如需将图像旋转 90°，请旋转相机。

Exposure (ms)

• 它是什么： 在图像捕获期间，传感器暴露在光线中的时间。
• 影响：
  • 曝光越高 → 图像越亮，但存在运动模糊的风险。
  • 曝光越低 → 光线越少，但在快速移动的应用中图像更清晰。

曝光不足	正确曝光	过曝

提示

曝光是对数的，曝光越高，时延越大（因为图像捕获需要更长时间）。

Gain

• 它是什么： 以数字方式提高图像亮度（类似相机上的 ISO）。
• 影响：
  • 增益高 → 图像更亮，但会增加噪声（颗粒感）。
  • 增益低 → 图像更干净，但需要良好的照明。

高增益	低增益
更亮且带有噪声	更暗且噪声更少

提示

只有在无法通过调整曝光或照明实现时才增加增益。

Auto White Balance

• 它是什么： 自动调整色彩平衡，使白色看起来仍然是白色。
• 使用场景：
  • 理想用于具有可变或漂移照明条件的环境。
  • 对于稳定设置，手动白平衡可提供更一致且可重复的结果。

备注

要手动调整白平衡：

• 将 ON 的 Auto White Balance 开关打开。
• 在相机下方或镜头前放置一张白纸。
• 将开关切换为 OFF 以锁定白平衡设置。

伽玛

• What it is: 调整中间调的亮度，同时不过度影响暗部或高光区域。
• Effect: 有助于揭示阴影中的细节或降低过亮高光。

Lens Correction

• What it is: 校正广角镜头造成的畸变。
• When to enable: 如果图像边缘看起来弯曲或失真，请开启以提高对齐任务的准确性。

LED Strobe Mode

• What it is: 控制相机内置 LED 灯触发时机。
• Options:
  • Off: LED 将持续开启。
  • On: LED 仅在捕获时闪光，减少反射。

LED Light Pattern

• What it is: 选择 LED 的光照模式（例如 All on、all off、Left and right、top and bottom 等）。
• Use case: 根据你的照明设置进行调整，以获得对部件的最佳照明。

提示

使用定向模式通过关闭直接照射反光面的 LED 来减少眩光或反射，同时让倾斜的光源保持开启以获得更好的可见性。

LED Light Intensity

• What it is: 调整 LED 照明的亮度。
• Best practice: 从低开始，逐步增加以避免眩光或反射。

Photometric Control

• What it is: 捕捉多张图像（通常为四张）采用不同方向的照明（左、右、上、下），然后将它们合成为一张增强图像。
• Purpose: 该技术通过提供均匀、一致的照明来减少阴影并突出表面微小特征。
• When to use: 适用于复杂部件、高度反射表面，或纹理不均的部件，在标准单光照图像中可能遗漏关键细节。

Trigger Settings

手动触发

• What it is: 在 HMI 屏幕上按下按钮时捕获图像。
• Best for: 测试、设置，或手动检查。

硬件触发

• What it is: 使用电信号（例如来自传感器）触发相机。
• Best for: 自动化生产线，传感器检测到工件存在时。

PLC 触发

• What it is: 通过工业控制器（PLCs）发送触发信号，以实现与其他机器的同步运行。
• Best for: 需要精确时序的全自动系统。

对齐器触发

• What it is: 当系统在视场内检测到部件对齐时自动触发。
• Best for: 捕获前需要部件保持一致定位的应用，或当没有其他可靠触发源时。

间隔触发

• What it is: 按设定的时间间隔触发相机。
• Best for: 连续过程或在没有工件检测传感器的情况下监控移动线。

模板图像与对齐

Skip Aligner

• What it is: Turns off the alignment step during inspection.
• When to use: If the part is always in the same position and orientation in the image.

Template Regions

• What it is: Defines the area(s) of the template image used for alignment.
  • Rectangle: Draw a rectangular region of interest.
  • Circle: Draw a circular region of interest.
  • Ignore Template Region: Exclude certain areas from alignment to avoid distracting patterns or irrelevant features.
• Best use: Helps the system focus only on the most distinctive part features for accurate alignment.

Rotation Range

• What it is: Sets how much rotation (in degrees) the system will tolerate when matching the part to the template.
• Example: Setting ±20° allows the part to rotate slightly but still be detected.
• When to adjust: Increase if parts tend to rotate during production; decrease for highly consistent orientations.

Sensitivity

• What it is: Controls how finely the system looks for a match between the live image and the template.
• Effect:
  • High sensitivity → detects more subtle details, useful for complex parts.
  • Lower sensitivity → reduces false matches but may miss fine features.

Confidence Threshold

• What it is: Sets the minimum confidence score required for the system to accept a detection.
• Effect:
  • Higher threshold → fewer false positives but might miss borderline matches.
  • Lower threshold → more detections, but with increased risk of false positives.

提示

Start moderate and adjust based on test results.

Scale Invariant

• What it is: Allows the system to detect parts that are slightly larger or smaller than the original template image.
• When to enable: If part size may vary slightly due to positioning, distance changes, or manufacturing tolerances.

Live Preview Legend

1. A configurable bounding box that defines the specific region of the camera’s field FOV to monitor during triggering.

• Purpose: Ensures the camera focuses only on the relevant area, ignoring unnecessary background regions.
• Best use:
  • For moving objects, to guarantee the part stays fully within the detection area.
  • To optimize processing speed by reducing the amount of image data analyzed.

2. A visual red dot showing the center point of all defined ROIs (Regions of Interest) in the image.

• Purpose: Helps you align and position the search region relative to the part or camera view.

3. The green line indicates the edge of the object is detected.

提示

If you see the line change to red, try increasing the ROI size, adjusting the ROI, or increasing the Sensitivity.

ROI (Region of Interest) 定义与优化

检查类型

• 作用/含义： 定义正在执行的检查类型，并将相似的 ROIs（Region of Interest）分组。
• 示例： “Holes” 用于检查零件孔的存在、尺寸或质量。
• 关键特性：
  • 添加检查类型： 为不同检查需求创建新类别。
  • ROI 数量： 显示当前分配给该检查类型的 ROI 数量。

变换

• 作用/含义： 调整所选 ROI 的位置和几何形状，以实现精确对齐与放置。
• 字段及其用途：
  • 高度/宽度： 改变 ROI 的尺寸。
  • X / Y： 沿水平（X）和垂直（Y）轴移动 ROI 的位置。
  • 角度： 围绕中心旋转 ROI。
• 最佳用途： 当存在重复模式时（如多个相同孔），可加速设置。

检查区域

• 作用/含义： 模板图像中定义的所有 ROI 的列表。
• 特性：
  • 添加检查区域： 手动创建一个新的 ROI。
  • 忽略区域： 在处理时排除特定区域。
  • 编辑： 保存、删除或取消。
  • 锁定图标： 表示已锁定的 ROI，未解锁时不能移动。

实时预览模式

• 作用/含义： 调整或添加 ROI 后，显示实时反馈。
• 用途： 在设置阶段对 ROI 位置和尺寸进行精细调整非常有用。

测试按钮

• 作用/含义： 基于旧图像执行回测以验证更改。
• 用途： 将当前结果与先前设置进行比较，以确保准确性和一致性。

数据收集与 AI 训练

定义不同的检查类别，并根据各自的指定检查类型对每个 ROI 进行标注（见下方示例）。

使用标注工具对图像进行标注。使用笔刷类别（Brush Class）下拉菜单选择要标注的类别。分割（segmentation）当前每个配方的类别上限为 10 个。

高质量数据的重要性

• Garbage In, Garbage Out（GIGO）： AI 模型的表现仅取决于你提供的数据。低质量或不一致的数据会导致结果不准确。
• 多样性很重要： 收集能够代表所有真实世界变体的数据：不同班次、照明条件、部件位置和表面条件。
• 质量胜于数量： 一个更小、干净、标注良好的数据集通常比大型但嘈杂或不一致的数据集表现更好。

Annotation Basics:

• Classification: 将整张图像或 ROI 标注为一个特定类别（例如“Good”、“Damaged”）。
• Segmentation: 使用像素级精度对感兴趣的特定区域进行涂刷、轮廓绘制或高亮（例如表面上的划痕位置）。
• Consistency: 在标注时使用一致的规则和定义，以避免训练过程中的混淆。

Common Pitfalls

• 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： 某一类别过多（例如大量“Good”零件但缺陷零件较少）会使模型偏斜。
• 标注不良： 标注不正确、不一致或匆忙会导致显著的准确性下降。
• 忽略环境变化： 当照明、部件取向或表面条件发生变化而未更新数据集时，准确性会产生漂移。
• 未验证数据： 在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

图像增强通过对训练图像进行人工修改，以提高模型的鲁棒性。它们模拟现实世界中的变化，如亮度变化、旋转或噪声，从而使模型在不同条件下的表现更好。

颜色增强

Brightness

• 是什么： 调整图像的明亮度（光线强弱）。
• 用途： 处理生产过程中的照明微小变化。

提示

在稳定的设置下使用 ±0.1；如果照明变化更大，则增大该值。

Contrast

• 是什么： 改变图像中明亮区域和暗部之间的差异度。
• 用途： 对于具有纹理或表面差异的零件有助于模型适应可视差异。

Hue

• 是什么： 略微改变颜色色调。
• 用途： 适用于照明颜色（例如 LED 色温）随时间可能发生偏移的场景。

Saturation

• 是什么： 调整颜色的强度。
• 用途： 有助于应对照明变化导致图像看起来更暗或更亮艳的情况。

几何增强

Rotation Range

• 是什么： 在设定范围内对图像随机旋转（如 ±20°）。
• 用途： 适用于可能以略微旋转的姿态进入的零件。

提示

对于通常在方向上固定的零件，避免过度旋转。

Flip

• 是什么： 将图像水平翻转、垂直翻转，或两者同时进行。
• 用途： 对称零件或在搬运过程中方向可能翻转时很有帮助。

光照与颜色仿真

Planckian

• 是什么： 模拟颜色温度的变化（例如暖光或冷光）。
• 用途： 处理具有不同光源的工作单元或变化的偏移情况。

Gaussian Noise

• 是什么： 向图像添加微小噪声。
• 用途： 若生产环境存在微小视觉噪声或相机传感器伪影时提升鲁棒性。

运动仿真

Motion Blur

• 是什么： 模拟拍摄时零件移动导致的微量模糊。
• 用途： 对可能出现在高速线上的运动模糊尤为关键。

概率（prob）

• 是什么： 设置在训练过程中应用每种增强的概率。
• 示例： 0.50 = 对任意给定训练图像应用该变化的概率为 50%。

提示

大多数增强从 0.5 开始，并根据现实世界的变异性进行调整。

训练参数（分割）

训练参数（也称为超参数）是用于控制机器学习模型从数据中学习的方式的设置。

学习率

• 定义： 在训练过程中控制模型内部权重更新速度。
• 数值（0.003）： 学习率越高，模型学习越快，但过高可能导致不稳定或准确性下降。
• 滑块范围： 从 10^-4（非常慢）到 10^-1（非常快）。

提示

通常，0.001–0.01 之间的值对于分割任务是一个不错的起点。

ROI (Region of Interest) 尺寸

• 定义： 定义在训练过程中使用的图像区域的尺寸（宽×高）。
• 未勾选： 默认情况下，模型会基于您的数据自动确定 ROI。
• 勾选时： 如果需要保持输入维度的一致性（例如，所有图像裁剪为 256×256 像素），可以手动设置宽度和高度。

提示

使用固定尺寸（如 256×256）在数据集中存在不同尺寸的图像且希望获得一致输入以提升稳定性、可重复性，或匹配已知模型结构时使用。

让它在数据已经具有统一分辨率，或希望系统基于数据集的特征优化以获得最佳区域时自动选择。

Number of Iterations (Epochs)

• 定义： 一个轮次等于对整个训练数据集的完整遍历。
• 数值（100）： 模型将进行 100 次完整训练轮次。

提示

通常，这个数值的增加通常会在一定程度上提高准确性，但也需要更长时间。

经验法则： 在训练过程中监控训练损失和验证损失。如果验证损失不再下降，而训练损失仍在下降，这通常是模型过拟合的信号，应提前停止训练。

Architecture

• 定义： 选择神经网络的规模和复杂度。
• Small（小型）： 训练速度更快，通常足以处理大多数数据集。适合快速试验或较小数据集。
• Larger models（更大模型） 可以捕获更多细节，但在小数据集上可能过拟合；相较之下，较小的模型更高效，在数据有限时更具泛化能力。

提示

从 Small 开始，通常就足够，并在扩大规模之前帮助你更快迭代。

External GPU

请联系客服以了解有关 External GPU 的更多信息。

Training Parameters (Classification)

Training parameters (也称为 hyperparameters) are the settings that control how a machine learning model learns from data.

Learning Rate

• 定义： 控制模型在训练过程中更新内部权重的速度。
• 数值（0.003）： 学习率越高，模型学习越快，但过高可能导致不稳定性或精度下降。
• 滑块范围： 从 10^-4（非常慢）到 10^-1（非常快）。

提示

通常，0.001–0.01 之间的值是分割任务的良好起点。

Validation Percent

• 定义： 定义在训练过程中用于验证（测试）的数据集比例。
• 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%。

提示

常见取值为 10–20%。

如果设为 0%，所有数据将用于训练，这可能提高训练准确性，但会使检测过拟合变得困难。

ROI（Region of Interest）尺寸

• Definition: 定义在训练过程中使用的图像区域的大小（宽×高）。
• Unchecked: 默认情况下，模型会基于您的数据自动确定 ROI。
• When Checked: 选中时：如果需要保持输入尺寸一致，可以手动设置宽度和高度（例如，所有图像裁剪为 256×256 像素）。

提示

在数据集中的图像尺寸不一致且你希望输入保持一致，以提高稳定性、可重复性，或与已知的模型架构相匹配时，请使用固定尺寸（例如 256×256）。

当数据已经具有统一分辨率，或你希望系统基于数据集特征优化 ROI 时，让它自动选择。

迭代次数（Epochs）

• Definition: One epoch = one full pass through the entire training dataset.
• Value (100): The model will train for 100 complete passes.

提示

通常增加这个数值会在达到某个点前提高准确性，但训练时间也会更长。

经验法则： 在训练过程中监控训练损失和验证损失。如果验证损失不再下降，而训练损失仍在下降，则表明模型可能过拟合，应提前停止训练。

架构

• Definition: Selects the size and complexity of the neural network.
• Small: Trains faster and is often enough for most datasets. Ideal for quick experimentation or smaller datasets.

提示

从 Small 开始，通常足够，并有助于在扩大规模之前更快地迭代。

架构与相机	说明	推荐用途
ConvNeXt-Pico	Ultra-light model optimized for speed and low memory use.	Great for quick experiments or limited hardware.
ConvNeXt-Nano	Slightly larger than Pico; better accuracy with minimal added cost.	Good balance for small–medium datasets.
ConvNeXt-Tiny	Offers improved accuracy while still efficient.	Suitable for moderate datasets and longer training runs.
ConvNeXt-Small	Most capable variant in this list. Higher capacity and accuracy.	Use for large datasets or when maximum performance is needed.

External GPU

请联系 Support 了解更多关于 External GPU 的信息。