分类器 vs. 分割器

这是创建程序时最常见的问题。以下是一个清晰的框架。

实战演示 — 交互式深度解析

如需通过交互式模拟器、图表和动手操作平台对每种模型类型进行可视化讲解，请参阅：

• 理解分类器 — 类型、类别和 ROI 如何嵌套；实时分类器实操平台
• 理解分割器 — 像素级掩膜、调色板、计数与测量；绘图式分割器实操平台

分类器

分类器会查看每个 ROI 裁剪图像，并将其归入一个类别：通过、失败、存在、缺失、划伤、合格，或你定义的任何类别。

可以把它想象成把卡片分成几堆。 AI 查看整个裁剪图像，然后说"这个归入通过堆"或"这个归入失败堆"。

何时使用分类器：

• 需要通过/失败或多类别判定
• ROI 足够小，能清楚显示缺陷
• 标注速度很重要（分类器的标注速度要快得多）
• 检查某个特征的存在/缺失
• 示例：螺丝存在/缺失、连接器到位/未到位、标签正确/错误

如需配合交互式实操平台进行更深入的讲解，请阅读 理解分类器。

需要训练图像？

使用 Defect Creator Studio 为任一方法生成逼真的合成缺陷图像 — 用简明英语描述缺陷，几秒钟即可获得可供训练的图像。

训练模式

分类提供两种不同的训练方式：

Fast Classifier

• 用途： 快速设置和测试
• 使用场景： 快速原型开发和概念验证
• 速度： 训练时间较短
• 准确度： 精度较低
• 生产就绪： 不推荐用于生产

Accurate/Production Classifier

• 用途： 生产就绪的检测
• 使用场景： 最终部署和生产制造
• 速度： 训练时间较长
• 准确度： 精度较高
• 生产就绪： 用于获得最佳效果的主要训练模型

生产中的分类示例

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： 螺母区域周围的矩形
• 类别：
  • Good - 正确拧紧的螺母 (Pass 100%)
  • Defect - 松动的螺母 (Fail 98%)

结果： 二元判定 - 螺母是否正确就位或松动

轴座就位验证 (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 - 完全脱出的轴

结果： 部件被归类为正确安装或有缺陷

弯曲针脚检测 (T1 供应商制造)

任务： 检查弯曲的针脚

设置：

• ROI： 覆盖散热器针脚阵列的矩形
• 类别：
  • Good - 未损坏的针脚 (Straight)
  • Defect - 弯曲/损坏的针脚 (Bent)

结果： 分类器能区分合格和不合格的针脚

分割器

分割器在像素级别检查每个 ROI 裁剪图像，并精确识别哪些像素属于缺陷。

可以把它想象成用马克笔做标记。 AI 精确地圈出缺陷所在的位置，而不仅仅是判断是否存在缺陷。

在以下情况使用分割器：

• 需要像素级缺陷定位（划痕究竟在哪里？）
• 需要测量缺陷的尺寸或面积
• ROI 需要较大，但要检测的缺陷较小
• 需要在一个区域内统计多个缺陷
• 示例：表面划痕、污渍、裂纹、焊接质量、尺寸测量

在与检测时相同的尺度下训练分割器

分割器只能学习其所见到的缺陷的尺寸和纹理。如果只用小颗粒污染物训练它，那么生产线上出现同类缺陷的大块样本时，可能只有边缘或零散区域被高亮标记——缺陷主体部分将未被遮罩。解决方法是在训练样本中涵盖预期出现的所有缺陷尺寸范围。没有大缺陷样本？可使用 Defect Creator Studio 生成合成样本。

如需通过交互式 playground 进行更深入的讲解，请阅读 Understanding Segmenter。

训练模式

分割使用单一训练模式：

Accurate/Production Only（高精度/仅生产）

• 用途： 适合生产环境的像素级分析
• 训练： 单一高精度模式
• 速度： 训练时间较长，可实现精确的像素分类
• 精度： 高精度，适合细致的缺陷映射
• 生产就绪： 针对制造环境进行了优化

生产环境中的分割示例

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区域
• 像素类别：
  • 胶水（黄色像素）

结果： 黄色高亮显示 AI模型 检测到的缺陷，同时显示原始图像以供参考

间隙尺寸测量（T1 供应商装配）

任务： 验证检测间隙的尺寸是否合适

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，用于教导距离的外观
  • 良品 - 面积 <100 像素（通过）
  • 缺陷 - 面积 > 100 像素（失败）

结果： 精确测量间隙尺寸，并给出准确的像素数

喷漆飞溅检测

任务： 识别表面上的喷漆飞溅

设置：

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

结果： 像素级的喷漆飞溅检测

同时检测多个特征

分割器可以通过定义独立的像素类别同时检测多个特征。例如，您可以训练单个分割器在同一 ROI 中检测划痕（类别 1）、凹痕（类别 2）和污渍（类别 3）。每个类别通过用不同标签涂绘该缺陷类型的像素来独立训练。分割器在一次推理中识别所有缺陷类型，并报告每个像素属于哪个类别。

这与分类不同，在分类中，整个 ROI 仅获得一个标签。而在分割中，同一图像中可以共存多种缺陷类型，每种缺陷都有其独立的像素级遮罩。

对比

方面	分类器	分割器
能告诉您什么	类别（通过/失败等）	缺陷的精确像素
标注工作量	低：为每张图像选择一个类别	高：涂绘缺陷像素
所需数据	每个类别起始 10-15 张图像	类似，但标注耗时更长
ROI 尺寸	配合小 ROI 效果最佳	更擅长处理较大的 ROI
最适用于	存在/缺失、类别决策	划痕、污渍、测量、像素级检测

节拍性能

模型类型	检测速度	最佳应用场景
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	测试与原型验证

备注

分割模型提供最快的检测节拍，使其成为高吞吐量生产环境的理想选择。

何时选择各类模型

选择分类的情况：

• 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
• 整体状况评估即可满足需求
• 预期缺陷位置固定
• 您希望在设置时更快地标注

最适用于： Go/No-Go 判定、组件存在/缺失、整体质量评估

选择分割的情况：

• 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
• 生产中最快的节拍至关重要

最适用于： 表面缺陷、间隙测量、覆盖率验证、位置可变的瑕疵

如有疑问，请先从分类器开始

分类器设置更快，所需训练图像更少，并且适用于大多数通过/失败检测。仅当您需要像素级细节、缺陷测量，或需要在较大检测区域内检测小缺陷时，才切换到分割器。

分割器需要更多设置时间

分割器在标注期间需要进行像素级标注，所耗时间远长于分类器标注。与分类器相比，请为初始设置预留额外时间。如果您有许多区域需要标注，时间投入将快速累积。

512x512 像素处理限制

分类器和分割器都以最大 512x512 像素的分辨率处理 ROI 裁剪图。任何超过此尺寸的 ROI 在 AI 处理之前都会被缩小，这意味着小缺陷可能变得不可见。请尽可能保持 ROI 较小以保留细节，或者如果您需要覆盖较大区域同时仍能检测细微缺陷，请使用分割器。

重叠区域

确实存在重叠。许多检测应用使用任一方法都可行。如果您不确定：

1. 从分类器开始。 它设置更简单，标注更快
2. 如果您发现分类器精度不够（无法检测大区域中的小缺陷，或需要测量），请切换到分割器
3. 在 tools.overview.ai 询问 AI Assistant。描述您的应用，它将推荐最佳方案

训练模式摘要

训练模式	模型类型	生产就绪	备注
Fast Classifier	分类	否	快速设置，用于测试和原型开发
Accurate Classifier	分类	是	生产就绪，具有更高的精度
Accurate Segmenter	分割	是	针对生产优化的单一高精度模式

OV20i 与 OV80i 对比

• OV20i： 每个程序选择一种，分类器或分割器
• OV80i： 支持多模型。可在同一程序中对同一捕获组合使用两种模型