分类器 vs. 分割器

这是创建程序时最常见的问题。下面是一个清晰的判断框架。

互动深度解析 — 实际演示

如需通过交互式模拟器、图表和实操演练场了解每种模型类型的可视化讲解，请参阅：

• 理解分类器 — 类型、类别和 ROI 的嵌套方式；分类器实时演练场
• 理解分割器 — 像素级掩膜、调色板、计数与测量；绘画式分割器演练场

分类器

分类器查看每个 ROI 裁剪区域，并将其分配到某个类别：pass、fail、存在、缺失、有划痕、良好，或您定义的任何类别。

可以将其想象成把卡片分到不同的堆里。 AI 查看整个裁剪图像，然后说"这张归入 pass 堆"或"这张归入 fail 堆"。

何时使用分类器：

• 需要进行 pass/fail 或多类别判定
• ROI 足够小，能清晰显示缺陷
• 标注速度重要（分类器标注速度更快）
• 检查特征的存在/缺失
• 示例：螺丝存在/缺失、连接器到位/未到位、标签正确/错误

如需结合交互式演练场进行更深入的讲解，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 — 用简单的英文描述缺陷，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

• 用途： 快速搭建与测试
• 使用场景： 快速原型和概念验证
• 速度： 训练时间较短
• 准确度： 精度较低
• 生产就绪： 不建议用于生产环境

Accurate/Production Classifier

• 用途： 用于生产环境的检测
• 使用场景： 最终部署与制造
• 速度： 训练时间较长
• 准确度： 精度更高
• 生产就绪： 获得最佳结果的主要训练模型

来自生产环境的分类示例

松动螺母检测（OEM 装配）

任务： 识别机械装配中松动的螺母

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 — 螺母正确就位或松动

轴座装配检验（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： 组件被分类为正确安装或有缺陷

散热器翅片检测（T1 供应商制造）

任务： 检查单个散热器翅片是否有凹陷

设置：

• ROI： 覆盖散热器翅片阵列的矩形
• 类别：
  • Good - 未损坏的翅片（Straight）
  • Defect - 弯曲/损坏的翅片（Bent）

结果： 分类器区分良好和不良翅片

分割器

分割器在像素级别检查每个 ROI 裁剪图，并精确识别哪些像素属于缺陷。

可以将其类比为用马克笔做高亮标注。 AI 会精确圈出缺陷所在的位置，而不仅仅是判断缺陷是否存在。

在以下情况下使用分割器：

• 需要像素级缺陷定位（划痕具体在哪里？）
• 需要测量缺陷的大小或面积
• ROI 需要很大，但要查找的是小缺陷
• 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

如需通过交互式 playground 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

• 用途： 适用于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，以实现精确的像素分类
• 精度： 高精度的详细缺陷映射
• 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 供应商装配）

任务： 识别胶水溢出

设置：

• ROI： 阀门表面周围的矩形
• 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，原始图像作为参考一同显示

间隙尺寸测量（T1 供应商装配）

任务： 验证检查间隙的尺寸是否正确

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：
  • 蓝色像素教学间距的样子
  • 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，并提供准确的像素计数

油漆飞溅检测

任务： 识别表面上的油漆飞溅

设置：

• ROI： 感兴趣区域 (ROI) 周围的矩形
• 像素类别：
  • 黄色像素教学油漆的样子

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类别来同时检查多个特征。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的标签涂绘该缺陷类型的像素来独立训练。分割器在一次处理过程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，分类是为整个 ROI 分配单一标签。在分割中，多种缺陷类型可以共存于同一图像中，且每种缺陷都有自己的像素级掩码。

对比

方面	分类器	分割器
它能告诉你什么	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：绘制缺陷像素
所需数据	每类 10-15 张图像即可开始	相似，但标注耗时更长
ROI 大小	在 ROI 较小时效果最佳	能更好地处理较大的 ROI
最适用于	有无判定、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	测试和原型开发

备注

分割模型提供最快的检测节拍时间，使其成为高吞吐量生产环境的理想选择。

何时选择每种模型

在以下情况选择分类：

• 你需要简单的好/坏分类
• 整个 ROI 可以被标注为几个类别之一
• 整体状况评估就足够了
• 预期缺陷位置固定
• 你希望在设置过程中更快地标注

最适用于： Go/No-Go 决策、元件有无判定、整体质量评估

在以下情况选择分割：

• 缺陷可能出现在检测区域的任何位置
• 你需要测量缺陷的大小或面积
• 一张图像中可能存在多种缺陷类型
• 需要精确的位置映射
• 生产中最快节拍时间至关重要

最适用于： 表面缺陷、间隙测量、覆盖验证、位置可变的瑕疵

拿不准时，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。如果以后需要像素级细节，你随时可以切换到分割器。从简单入手可让你快速验证设置。

分割器需要更多设置时间

分割器在标注期间需要像素级注释，这比为分类器选择一个类别要耗时得多。与分类器相比，请为初始设置和标注预留额外时间，特别是当你有大量训练图像时。

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。任何大于此尺寸的 ROI 在 AI 处理之前都会被降采样，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，或者如果你需要覆盖较大区域同时仍能检测细微缺陷，请使用具有较大 ROI 的分割器。

重叠区域

确实存在重叠。许多检测任务两种方法都能胜任。如果你不确定：

1. 先从分类器开始。 它设置更简单，标注更快
2. 如果你发现分类器不够精确（无法在大区域中检测小缺陷，或你需要测量），则切换到分割器
3. 在 tools.overview.ai 询问 AI Assistant。描述你的应用，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	针对生产优化的单一高精度模式

OV20i 与 OV80i 对比

• OV20i： 每个程序只能选择一种模型，分类器或分割器
• OV80i： 支持多模型。可在单个程序中对同一捕获同时运行分类器和分割器。例如，使用分类器 ROI 检查零部件是否存在（通过/失败），同时使用分割器 ROI 检测同一零件的表面缺陷。两个模型在每次触发时都会运行，并产生独立的结果。