跳到主要内容

AI 驱动文档

您想了解什么？

持续改进您的模型

您的检测程序已部署。那么，当条件变化、出现新的缺陷类型或规格变更时，如何让它持续保持良好性能？

库：您的持续改进工具​

相机的每次捕获都会保存在库中，连同 AI 的预测结果和置信度得分。这是您改进模型的金矿。

库视图：浏览捕获图像，按预测结果和置信度过滤

找出 AI 判断错误的图像​

  1. 进入库
  2. 浏览最近的捕获图像
  3. 重点关注两类内容：
    • 遗漏： AI 预测明显错误的图像（每个缩略图左上角的复选框）
    • 低置信度预测： 在任何图像上向下滚动以查看置信度值。低置信度 = AI 不确定
错误标注的图像会显著影响准确度

小型数据集中一张错误标注的图像影响巨大。如果只有 5 张训练图像，一个错误标签会污染 20% 的数据。重新训练前请务必反复检查标签，尤其是数据集较小时。

使用针对性数据重新训练​

  1. 选择 AI 判断错误或不确定的图像
  2. 点击 "Add to Active Recipe Train Set"
  3. 如有需要，修正标签
  4. 点击 Retrain

将库中图像添加到训练集

专注于遗漏和低置信度的捕获图像，而不是随机的新数据。这是最高效的改进方式。

使用元数据查看器检查已保存的图像

如果您需要查看 AI 在特定图像上的预测结果，请将已保存的 JPEG 文件上传至元数据查看器。OV 相机会将预测结果、置信度得分和相机设置直接嵌入每张捕获的图像中。

分类器改进工作流​

  1. 查看库中的图像 → 找出错误和低置信度的预测
  2. 将其添加到训练集
  3. 如有需要，重新标注
  4. 重新训练
  5. 使用 Haystack 直观探索您的数据，并大规模找出错误标注的图像

分割器改进工作流​

分割器的标注耗时较长（像素级标注），因此有一个快捷方式：

  1. 将问题图像导入分割程序
  2. 点击 Generate Predictions，让模型尽可能为新图像预先标注
  3. 修正预测结果而不是从头开始标注（速度快得多）
  4. 重新训练
使用 Haystack 大规模发现错误标注

Haystack 是一种可视化数据探索工具，可让您浏览整个训练集，并快速发现看起来不协调的图像。当数据集超过 50-100 张图像时，手动审查变得不切实际。Haystack 会将相似的图像聚类在一起，使错误标注的异常值在视觉上突出显示。

减少分割中的误报​

如果您的分割器拾取了大量本不应存在的小型随机斑点，您有两种强大的工具可供使用：在通过/失败逻辑中过滤掉小斑点，以及训练模型以更好地理解"正常"是什么样子。

使用最小尺寸阈值过滤掉小斑点​

最快的修复方法是让系统忽略低于特定像素面积的斑点。噪声斑点几乎总是比真实缺陷小得多，因此尺寸过滤器可以在不影响实际检测的情况下消除它们。

在基本模式 (IO 逻辑) 中： 在 pass/fail 设置中设置 最小斑点面积 阈值。任何小于此像素数的斑点将被完全忽略。从 50 像素之类的值开始，逐步向上调整，直到噪声消失但仍能触发真实缺陷。

在高级模式 (Node-RED) 中： 在 function 节点中通过 blob.pixel_count 过滤斑点。例如，要忽略任何小于 50 像素的斑点：

const minBlobSize = 50;
const allBlobs = msg.payload.segmentation.blobs;
const realBlobs = allBlobs.filter(blob => blob.pixel_count >= minBlobSize);
const results = realBlobs.length <1; // Pass if no real blobs remain
msg.payload = results;
return msg;

根据您的应用调整 minBlobSize 值。查看调试输出中噪声斑点与真实缺陷的像素数对比，以找到合适的截止值。

将良品图像添加到训练集​

这是减少误报检测最有效的单一方法，也是人们最常忽视的方法。

问题在于：如果您只用包含缺陷的图像进行训练，模型从未学习过干净零件的样子。它会开始将正常的表面纹理、光照渐变和细微变化都视为"缺陷"——也就是您正在对抗的所有小型随机斑点。

修复方法：

  1. 进入 库 并查找 良品 图像——表面干净、没有缺陷的零件
  2. 将这些图像添加到训练集中 (Add to Active Recipe Train Set)
  3. 在标注视图中，选择 ROI，但 不要添加任何缺陷注释。只需按原样包含它们，不做任何涂抹标记
  4. 重新训练模型

通过向模型展示"正常"的样子，您正在教它不再将普通的表面变化标记为缺陷。这能显著减少噪声。

指导原则：

  • 从 10-15 张良品图像开始并重新训练。测试结果
  • 如果噪声持续存在，请添加更多。目标是至少 20-30 张良品图像与缺陷图像混合
  • 如果您的初始训练集只包含带缺陷的图像，这一点尤其重要
  • 确保良品图像涵盖您在生产中看到的正常变化范围（不同的光照、轻微的颜色偏移、表面纹理）
这是嘈杂分割器的首要修复方法

十有八九，当有人抱怨到处出现随机小斑点时，根本原因是训练集中没有良品图像。添加它们并重新训练——改善通常是立竿见影且显著的。

减少噪声的其他提示​

  • 改善光照一致性。 不一致的光照会产生阴影和高光，模型可能误认为是缺陷。确保内置 LED 配置正确，并且外部光源不会造成眩光或阴影偏移
  • 检查模板对齐。 如果对齐器工作不佳，ROI 会在多次捕获之间发生偏移。模型每次看到的背景区域不同，这会增加噪声。请验证对齐是否稳定
  • 小步迭代。 添加 10-15 张良品图像，重新训练，测试。重复直到结果干净。这比一次性投入 50 张图像并期望获得最佳结果要快得多

理念​

  • 持续迭代，永不停止。 AI 拥有强大的学习能力，即使在 50、100 甚至 500+ 张图像之后仍能持续改进
  • 针对性地处理失败案例。 不要随意添加数据，而应添加 AI 处理困难的案例
  • 定期检查错误标签。 随着数据集的增长，错误标签变得越来越难以发现，但仍会损害准确性

使用 GenAI 工具加速​

tools.overview.ai 上的三款 AI 驱动工具可以显著加快您的改进周期：

  • Defect Studio —— 生成逼真的合成缺陷图像，速度比等待真实缺陷快 10,000 倍以上
  • Integration Builder —— 通过简单的英文描述构建可用于生产的 Node-RED 流程
  • AI Expert Helper —— 全天候 24/7 获取关于相机任何问题的专家指导
GenAI 工具包的优势

这三款工具结合使用，可将部署时间从数天缩短至数小时。无需等待真实缺陷即可生成合成训练数据，通过描述需求即可构建集成，无需等待支持工单即可获得即时专家指导。

→ 查看完整的 GenAI 工具包指南