分类器 vs. 分割器

这是创建程序时最常见的问题。以下是清晰的判断框架。

查看实际效果 — 交互式深度讲解

如需通过交互式模拟器、图示和动手实验场对每种模型类型进行可视化讲解，请参阅：

• 理解分类器 — Types、Classes 和 ROI 如何嵌套；实时分类器实验场
• 理解分割器 — 像素级蒙版、调色板、计数与测量；绘图风格的分割器实验场

分类器

分类器查看每个 ROI 裁剪区域，并将其归入某个类别：通过、失败、存在、缺失、划伤、良好，或您定义的任何类别。

可以把它想象成将卡片分入不同堆。 AI 查看整个裁剪图像并判断"这个归入通过堆"或"这个归入失败堆"。

何时使用分类器：

• 您需要通过/失败或多类判定
• 您的 ROI 足够小，能清晰显示缺陷
• 标签速度很重要（分类器标注速度快得多）
• 您要检查特征的存在/缺失
• 示例：螺钉存在/缺失、连接器已就位/未就位、标签正确/错误

如需结合交互式实验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 为任一方案生成逼真的合成缺陷图像 — 用简单的英语描述缺陷，即可在数秒内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

• 目的： 快速搭建与测试
• 使用场景： 快速原型开发与概念验证
• 速度： 训练时间较短
• 精度： 较低
• 生产就绪： 不建议用于生产

Accurate/Production Classifier

• 目的： 生产就绪的检测
• 使用场景： 最终部署与制造
• 速度： 训练时间较长
• 精度： 较高
• 生产就绪： 主要训练模型，可获得最佳结果

来自生产现场的分类示例

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： 围绕螺母区域的矩形
• Classes：
  • 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
• Classes：
  • 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

散热器翅片检测（一级供应商加工）

任务： 检查每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
• Classes：
  • Good - 未损坏的翅片（Straight）
  • Defect - 弯曲/损坏的翅片（Bent）

结果： 分类器区分良好翅片与不良翅片

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。

可以将其视为用记号笔进行高亮标注。 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。

在以下情况使用分割器：

• 您需要像素级的缺陷定位（划痕究竟在哪里？）
• 您需要测量缺陷的尺寸或面积
• 您的 ROI 需要较大，但您要查找的是小缺陷
• 您需要在一个区域中统计多个缺陷
• 示例：表面划痕、污渍、裂纹、焊接质量、尺寸测量

以与检测时相同的尺度训练分割器

分割器只会学习它所看到的缺陷的尺寸和纹理。如果您用小颗粒污染物训练它，当生产线上出现同类大块缺陷时，可能只有边缘或零散区域被高亮——缺陷的主体部分将不会被遮罩标记。解决方法是在训练样本中涵盖您预期出现的全部缺陷尺寸范围。没有大尺寸缺陷样本？可以使用 Defect Creator Studio 生成合成样本。

如需结合交互式 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

• 目的： 可用于生产的像素级分析
• 训练： 单一的高准确度模式
• 速度： 较长的训练时间以实现精确的像素分类
• 准确度： 用于细致缺陷映射的高精度
• 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，原始图像作为参考显示

间隙尺寸测量（T1 供应商装配）

任务： 验证检测的间隙是否符合规定尺寸

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
• 类别：
  • 蓝色像素用于教 AI 识别距离的样子
  • 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
• 像素类别：
  • 黄色像素用于教 AI 识别油漆的样子

结果： 像素级的油漆飞溅检测

同时检测多个特征

分割器可以通过定义独立的像素类别来同时检测多个特征。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）。每个类别通过使用不同的标签涂绘该缺陷类型的像素来独立训练。分割器会在单次处理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，分类中整个 ROI 只获得单个标签。而通过分割，同一图像中可以同时存在多种缺陷类型，每种类型都有其独立的像素级遮罩。

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：每张图像选择一个类别	高：绘制缺陷像素
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	在小 ROI 下表现最佳	更适合处理较大的 ROI
最适合	存在/缺失、类别判断	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	质量要求严格的检测
分类（快速）	中等	测试与原型开发

备注

分割模型提供最快的检测节拍，是高吞吐量生产环境的理想选择。

何时选择各类模型

在以下情况选择分类：

• 你只需要简单的良/不良分类
• 整个 ROI 可以被标注为几个类别之一
• 整体状态评估已足够
• 预期缺陷位置固定
• 你希望在设置过程中更快地完成标注

最适合： Go/No-Go 判断、组件存在/缺失、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
• 需要精确的位置定位
• 最快的节拍对生产至关重要

最适合： 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，先从分类器开始

分类器设置更快、所需训练图像更少，且适用于大多数通过/失败检测。如果之后需要像素级细节，仍可随时切换为分割器。从简单方案入手可以让你快速验证设置。

分割器需要更多设置时间

分割器在标注时需要进行像素级标注，相比为分类器选择一个类别要耗时得多。相比分类器，请为初始设置和标注预留更多时间，尤其是在训练图像较多的情况下。

512x512 像素处理限制

分类器和分割器均以最大 512x512 像素的分辨率处理 ROI 裁剪图像。任何大于此尺寸的 ROI 都会在 AI 处理之前被缩小，这意味着小缺陷可能会变得不可见。请尽量保持 ROI 小以保留细节，或者如果你需要覆盖大范围同时检测细小缺陷，请使用带有较大 ROI 的分割器。

重叠区域

确实存在重叠。许多检测任务使用任一方式都能完成。如果你不确定：

1. 先从分类器开始。 设置更简单，标注更快
2. 如果发现分类器精度不够（无法在大区域中检测小缺陷，或者需要测量），再切换为分割器
3. 在 tools.overview.ai 上咨询 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	生产就绪	备注
Fast Classifier	分类	否	快速设置，适用于测试和原型开发
Accurate Classifier	分类	是	生产就绪，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

• OV20i： 每个程序选择一种模型，分类器或分割器二选一
• OV80i： 支持多模型。可在单个程序内对同一捕获同时运行分类器和分割器。例如，使用分类器 ROI 检查组件存在性（通过/失败），同时使用分割器 ROI 检测同一零件上的表面缺陷。两个模型在每次触发时都会运行并产生独立的结果。