分类器与分割器

这是创建配方时最常见的问题。以下是一个清晰的框架。

分类器

分类器查看每个 ROI 裁剪并将其分配到一个 类别：合格、不合格、存在、缺失、划伤、良好或您定义的其他类别。

可以把它想象成将卡片分堆。 AI 查看整个裁剪并说“这放在合格堆”或“这放在不合格堆”。

在以下情况下使用分类器：

• 您需要合格/不合格或多类别决策
• 您的 ROI 足够小，可以清楚地显示缺陷
• 标签速度很重要（分类器的标记速度更快）
• 您正在检查特征的存在/缺失
• 示例：螺丝存在/缺失，连接器安装/未安装，标签正确/错误

需要训练图像？

使用 缺陷创建者工作室 生成逼真的合成缺陷图像，您只需用简单的英语描述缺陷，即可在几秒钟内获得适合训练的图像。

训练模式

分类提供两种不同的训练方法：

快速分类器

• 目的： 快速设置和测试
• 用例： 快速原型和概念验证
• 速度： 更快的训练时间
• 准确性： 精度较低
• 生产就绪： 不推荐用于生产

准确/生产分类器

• 目的： 生产就绪的检查
• 用例： 最终部署和制造
• 速度： 较长的训练时间
• 准确性： 精度较高
• 生产就绪： 主要训练模型以获得最佳结果

生产中的分类示例

松动螺母检测（OEM 装配）

任务： 识别机械装配中的松动螺母

设置：

• ROI： 包围螺母区域的矩形
• 类别：
  • 良好 - 正确拧紧的螺母（合格 100%）
  • 缺陷 - 松动的螺母（不合格 98%）

结果： 二元决策 - 螺母是正确安装还是松动

轴座验证（OEM 装配）

任务： 识别部分安装的轴

设置：

• ROI： 覆盖轴安装区域的矩形
• 类别：
  • 良好 - 完全安装的轴
  • 缺陷 - 部分安装的轴
  • 缺陷 - 完全未安装的轴

结果： 组件被分类为正确安装或有缺陷

弯曲引脚检查（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：
  • 良好 - 未损坏的引脚（直）
  • 缺陷 - 弯曲/损坏的引脚（弯曲）

结果： 分类器区分良好引脚和坏引脚

分割器

分割器在 像素级别 检查每个 ROI 裁剪，并准确识别哪些像素属于缺陷。

可以把它想象成用记号笔高亮显示。 AI 精确圈出缺陷的位置，而不仅仅是是否存在缺陷。

在以下情况下使用分割器：

• 您需要像素级缺陷定位（划痕具体在哪里？）
• 您需要测量缺陷的大小或面积
• 您的 ROI 需要足够大，但您正在寻找小缺陷
• 您需要在一个区域内计数多个缺陷
• 示例：表面划痕、污渍、裂缝、焊接质量、尺寸测量

训练模式

分割使用单一训练模式：

准确/仅限生产

• 目的： 生产就绪的像素级分析
• 训练： 单一高精度模式
• 速度： 精确像素分类的训练时间较长
• 准确性： 对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

生产中的分割示例

表面缺陷检测（T1 供应商组装）

任务： 识别胶水溢出

设置：

• ROI： 包围阀门表面的矩形
• 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，原始图像供参考

缝隙尺寸测量（T1 供应商组装）

任务： 验证检查的缝隙是否合适

设置：

• ROI： 包围缝隙区域的矩形
• 测量逻辑： 基于像素面积值的通过条件
• 类别：
  • 蓝色像素用于教学缝隙的外观
  • 合格 - 面积 <100 像素（通过）
  • 缺陷 - 面积 > 100 像素（失败）

结果： 精确的缝隙尺寸测量，包含确切的像素计数

油漆飞溅检测

任务： 识别表面上的油漆飞溅

设置：

• ROI： 包围检查区域的矩形
• 像素类别：
  • 黄色像素用于教学油漆的外观

结果： 油漆飞溅的像素级检测

同时检查多个特征

分割器可以通过定义单独的像素类别来同时检查多个特征。例如，您可以训练一个单一的分割器在同一 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标记该缺陷类型的像素进行独立训练。分割器在一次通过中识别所有缺陷类型，并报告哪些像素属于哪个类别。

这与分类不同，分类是整个 ROI 获得一个单一标签。通过分割，多个缺陷类型可以共存于同一图像中，每个缺陷都有自己的像素级掩码。

比较

方面	分类器	分割器
它告诉你什么	类别（通过/失败等）	缺陷的确切像素
标记工作量	低：每张图像选择一个类别	高：标记缺陷像素
所需数据	每个类别 3-5 张图像以开始	类似，但标记时间更长
ROI 大小	最适合小 ROI	更好地处理较大 ROI
最佳用途	存在/缺失、类别决策	划痕、污渍、测量、像素级检测

循环时间性能

模型类型	检查速度	最佳用例
分割	最快	高速生产线
分类（准确）	较慢	质量关键检查
分类（快速）	中等	测试和原型

备注

分割模型提供最快的检查循环时间，使其非常适合高产量的生产环境。

何时选择每个模型

选择分类模型当：

• 你需要 简单的好/坏分类
• 整个 ROI 可以标记为 多个类别之一
• 整体状态评估 足够
• 预期存在 固定缺陷位置
• 你希望在设置过程中实现 更快的标记

最佳适用场景： Go/No-Go 决策、组件存在/缺失、整体质量评估

选择分割模型当：

• 缺陷可以 出现在检查区域的任何地方
• 你需要 测量缺陷的大小或面积
• 多种缺陷类型 可能存在于一张图像中
• 需要 精确的位置映射
• 对于生产来说，最快的周期时间 至关重要

最佳适用场景： 表面缺陷、间隙测量、覆盖验证、可变位置缺陷

如果不确定，先从分类器开始

分类器设置更快，需要更少的训练图像，并且适用于大多数合格/不合格的检查。只有在需要像素级细节、缺陷测量或需要在大检查区域内检测小缺陷时，才切换到分割器。

分割器需要更多的设置时间

分割器在标记时需要像素级注释，这比分类器标记花费的时间要长得多。与分类器相比，初始设置时需要额外的时间预算。如果你有许多区域需要标记，时间投资会迅速增加。

512x512 像素处理限制

分类器和分割器处理 ROI 裁剪的最大分辨率为 512x512 像素。任何大于此的 ROI 在 AI 处理之前都会被缩小，这意味着小缺陷可能会变得不可见。尽量将 ROI 保持尽可能小以保留细节，或者如果需要覆盖更大区域同时仍能检测细小缺陷，则使用分割器。

重叠区域

确实存在重叠。许多检查可以使用这两种方法。如果你不确定：

1. 先从分类器开始。 它更简单，设置更快，标记更快
2. 如果发现分类器不够精确（无法在大区域内检测小缺陷，或者需要测量），则切换到分割器
3. 在 tools.overview.ai 询问 AI 助手。描述你的应用，它将推荐最佳方法

训练模式总结

训练模式	模型类型	生产就绪	备注
快速分类器	分类	否	用于测试和原型的快速设置
精确分类器	分类	是	具有更高精度的生产就绪
精确分割器	分割	是	针对生产优化的单一高精度模式

OV20i 与 OV80i

• OV20i： 每个配方选择一个，要么是分类器，要么是分割器
• OV80i： 多模型支持。在同一配方中结合两者以进行相同捕获