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

您的检测已部署。那么，当条件发生变化、出现新的缺陷类型或规格演变时，如何保持其良好性能？

库：您的持续改进工具​

相机捕获的每张图像都会保存在库中，同时保存 AI 的预测结果和置信度分数。这是您改进模型的金矿。

库视图：浏览捕获、按预测和置信度筛选

查找 AI 出错的地方​

  1. 进入库
  2. 浏览最近的捕获
  3. 关注两类情况：
    • **错判：**AI 的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可查看置信度值。低置信度 = AI 不确定
一张错误标注的图像可能会显著降低准确率

在小型数据集中，单个错误标签的影响巨大。如果只有 5 张训练图像，一个错误标签会污染 20% 的数据。在重新训练前务必反复检查每个标签，尤其是数据集较小时。

使用针对性数据进行重新训练​

  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

将库中的图像添加到训练集

专注于错判和低置信度的捕获，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 对特定图像的具体预测结果，请将保存的 JPEG 上传到元数据查看器。OV 相机会将预测结果、置信度分数和相机设置直接嵌入到每张捕获的图像中。

使用 Haystack 大规模发现错误标签

随着数据集的增长，手动检查每个标签变得不切实际。Haystack 让您可以可视化地探索训练数据，将相似的图像聚类在一起，并快速发现看起来不合常规的标签。定期运行它以保持数据集的整洁。

分类器改进工作流程​

  1. 审查库中的图像 → 查找错误和低置信度预测
  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 可视化地探索数据，并大规模发现错误标注的图像

分割器改进工作流程​

分割器的标注耗时更长（像素级标注），因此有一种捷径：

  1. 将有问题的图像导入分割程序
  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

减少分割中的误报​

如果您的分割器检测到许多本不该出现的随机小斑点，您有两种强大的工具可用：在通过/失败逻辑中过滤掉小斑点，以及训练模型更好地理解"正常"是什么样子。

使用最小尺寸阈值过滤掉小斑点​

最快速的解决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 Basic Mode (IO 逻辑) 中：在通过/失败设置中设置最小斑点面积阈值。任何小于此像素数的斑点都将被完全忽略。从 50 像素之类的值开始，逐步调高，直到噪声消失但仍能触发真实缺陷。

**在 Advanced Mode (Node-RED) 中：**在 function 节点中按 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，以找到合适的临界值。

将良好图像添加到训练集​

这是减少误报检测最有效的方法，也是人们最常忽视的方法。

问题所在：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。它会在正常的表面纹理、光照渐变和细微变化中看到"缺陷"——也就是您正在对抗的所有小型随机斑点。

修复方法：

  1. 进入库并查找良好零件的图像——没有缺陷的干净表面
  2. 将这些图像添加到训练集（添加到活动程序训练集）
  3. 在标注视图中，选择 ROI 但不要添加任何缺陷标注。只需按原样包含它们，不做任何涂画标记
  4. 重新训练模型

通过向模型展示"正常"的样子，您正在教它停止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 张良好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 张良好图像与您的缺陷图像混合
  • 如果您最初的训练集只包含带有缺陷的图像，这一点尤其重要
  • 确保良好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）
这是解决分割器噪声的首选方案

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好图像。添加它们并重新训练——改善通常是立竿见影且显著的。

减少噪声的其他技巧​

  • 提高光照一致性。 不一致的光照会产生阴影和高光，模型可能将其误认为缺陷。确保内置 LED 配置正确，且外部光源不会造成眩光或移动的阴影
  • 检查模板对齐。 如果对齐器工作不佳，ROI 会在每次捕获之间发生偏移。模型每次看到不同的背景区域，这会增加噪声。验证对齐是否稳定
  • 小步迭代。 添加 10-15 张良好图像，重新训练，测试。重复直到结果干净。这比一次性倒入 50 张图像并寄希望于最佳结果要快

理念​

  • 永不停止迭代。 AI 具有强大的学习能力，并且在 50、100 甚至 500+ 张图像下持续改进
  • 有针对性地解决失败案例。 不要随机添加数据。添加 AI 难以处理的案例
  • 定期检查错误标注。 随着数据集的增长，错误标注变得更难发现，但仍会损害准确性

使用 GenAI 工具加速​

tools.overview.ai 上的三个 AI 驱动工具可以显著加快您的改进周期：

  • Defect Studio —— 以比等待真实缺陷快 10,000 倍的速度生成逼真的合成缺陷图像
  • Integration Builder —— 通过纯英文描述构建可投入生产的 Node-RED 流程
  • AI Expert Helper —— 获得任何相机问题的 24/7 专家指导
GenAI 工具包优势

这三个工具结合使用，可以将您的部署时间从数天缩短到数小时。生成合成训练数据而不是等待真实缺陷，通过描述您的需求来构建集成，并获得即时专家指导，无需等待支持工单。

→ 查看完整的 GenAI 工具包指南