分类器 vs. 分割器

这是创建程序时最常见的问题。以下是一个清晰的判断框架。

互动深度解析

如需通过互动模拟器、图表以及针对每种模型类型的实操平台获取可视化讲解，请参阅：

• 理解分类器 — 类型 (Type)、类别 (Class) 和 ROI 如何嵌套；实时分类器演练平台
• 理解分割器 — 像素级掩码、调色板、计数与测量；绘图式分割器演练平台

分类器

分类器查看每个 ROI 裁剪图像，并将其归入某个 类别：通过、失败、存在、缺失、有划痕、合格，或您定义的任何类别。

可以将其想象为将卡片分类到不同的堆中。 AI 查看整个裁剪图像并判断"此图归入通过堆"或"此图归入失败堆"。

何时使用分类器：

• 您需要通过/失败或多类别判定
• 您的 ROI 足够小，能清晰显示缺陷
• 标注速度很重要（分类器的标注速度要快得多）
• 您要检查某个特征是否存在
• 示例：螺丝有/无、连接器到位/未到位、标签正确/错误

如需结合互动演练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 — 用纯英文描述缺陷，几秒钟内即可获得可用于训练的图像。

训练模式

分类提供两种不同的训练方式：

Fast Classifier（快速分类器）

• 用途： 快速搭建与测试
• 使用场景： 快速原型设计与概念验证
• 速度： 训练时间较短
• 精度： 精度较低
• 是否适用于生产： 不建议用于生产

Accurate/Production Classifier（精确/生产分类器）

• 用途： 适用于生产环境的检测
• 使用场景： 最终部署与生产制造
• 速度： 训练时间较长
• 精度： 精度较高
• 是否适用于生产： 主要训练模型，可获得最佳效果

来自生产现场的分类示例

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 - 已正确拧紧的螺母（通过 100%）
  • Defect - 松动的螺母（失败 98%）

结果： 二元判定 - 螺母已正确就位或松动

轴座安装验证（OEM 装配）

任务： 识别未完全就位的轴

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存在缺陷

弯针检测（T1 供应商制造）

任务： 检查针脚是否弯曲

设置：

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

结果： 分类器区分合格针脚和不合格针脚

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。

可以将其想象为用马克笔进行标注。 AI 会精确圈出缺陷所在的位置，而不仅仅是判断是否存在缺陷。

何时使用分割器：

• 您需要像素级的缺陷定位（划痕到底在哪里？）
• 您需要测量缺陷的尺寸或面积
• 您的 ROI 需要较大，但要查找的是小缺陷
• 您需要在一个区域中计数多个缺陷
• 示例：表面划痕、污渍、裂纹、焊接质量、尺寸测量

如需结合交互式实验环境进行更深入的讲解，请阅读**理解分割器**。

训练模式

分割使用单一训练模式：

Accurate/Production Only（精确/仅生产模式）

• 用途： 适用于生产的像素级分析
• 训练： 单一高精度模式
• 速度： 较长的训练时间以实现精确的像素分类
• 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

来自生产环境的分割示例

表面缺陷检测（T1 供应商总成）

任务： 识别胶水溢出

设置：

• ROI： 阀门表面周围的矩形
• 像素分类：
  • 胶水（黄色像素）

结果： 黄色高亮显示 AI 模型检测到的缺陷，并附原始图像作为参考

间隙尺寸测量（T1 供应商总成）

任务： 验证检测的间隙是否为正确尺寸

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
• 分类：
  • 蓝色像素教导距离看起来是什么样
  • 良品 - 面积 <100 像素（通过）
  • 缺陷 - 面积 > 100 像素（失败）

结果： 通过精确的像素计数实现间隙尺寸的精确测量

油漆飞溅检测

任务： 识别表面上的油漆飞溅

设置：

• ROI： 感兴趣区域 (ROI) 周围的矩形
• 像素分类：
  • 黄色像素，用于教导油漆看起来是什么样

结果： 像素级的油漆飞溅检测

同时检查多个特征

分割器可以通过定义不同的像素分类来同时检查多个特征。例如，您可以训练单个分割器在同一个 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的标签绘制该缺陷类型的像素来独立训练。分割器在单次处理过程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 获得单个标签。而通过分割，多种缺陷类型可以共存于同一图像中，每种缺陷都有自己独立的像素级掩码。

对比

方面	分类器	分割器
告诉你什么	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 10-15 张图像即可开始	类似，但标注耗时更长
ROI 大小	在较小 ROI 上效果最佳	更适合处理较大的 ROI
最适用于	存在/缺失、类别判断	划痕、污渍、测量、像素级检测

周期时间性能

模型类型	检测速度	最佳用例
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	测试与原型开发

备注

分割模型可提供最快的检测周期时间，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 可被标注为若干类别中的一种
• 整体状态评估已足够
• 预期缺陷位置固定
• 您希望在设置过程中更快完成标注

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：

• 缺陷可能在检测区域内任意位置出现
• 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
• 需要精确的位置定位
• 最快的周期时间对生产至关重要

最适用于： 表面缺陷、间隙测量、覆盖验证、位置不固定的瑕疵

拿不定主意时，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

分割器在标注时需要进行像素级标注，所需时间显著长于分类器标注。请为初始设置预留比分类器更多的时间。如果您有许多区域需要标注，时间投入会迅速累积。

512x512 像素处理上限

分类器和分割器都以最高 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。请尽量保持 ROI 尽可能小以保留细节，或者如果您需要覆盖更大区域同时仍能检测细小缺陷，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足（无法在大区域中检测小缺陷，或您需要测量），则切换到分割器
3. 在 tools.overview.ai 询问 AI Assistant。描述您的应用，它会推荐最佳方案

训练模式摘要

训练模式	模型类型	可用于生产	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	可用于生产，精度更高
Accurate Segmenter	分割	是	单一高精度模式，针对生产环境优化

OV20i 与 OV80i 对比

• OV20i： 每个程序选择一个模型，分类器或分割器二选一
• OV80i： 支持多模型。可在同一程序中针对同一次捕获组合使用两种模型