AI 驱动文档
您想了解什么？
分类器与分割器
本页面解释了OV80i系统中可用的两种AI模型类型，并帮助您选择适合您检查需求的方法。
两种项目类型
OV80i为不同的检查需求提供了两种独特的AI模型方法：
- 分类 - “猫与狗”方法
- 分割 - “沃尔多在哪里？”方法
分类模型
什么是分类？
创建一个分类配方，以训练深度学习模型根据图像的视觉特征将其分类为不同的类别。
“猫与狗”方法： 分类最适合于图像可以处于离散数量状态之一的项目（例如，良好与不良，但可以有任意数量的类别）。
分类训练模式
分类提供两种不同的训练方法：
⚡ 快速分类器
- 目的： 快速设置和测试
- 用例： 快速原型和概念验证
- 速度： 更快的训练时间
- 准确性： 精度较低
- 生产就绪： ❌ 不推荐用于生产
准确/生产分类器
- 目的： 生产就绪的检查
- 用例： 最终部署和制造
- 速度： 较长的训练时间
- 准确性： 精度较高
- 生产就绪： ✅ 主要训练模型以获得最佳结果
生产中的分类示例
示例 1：松动螺母检测（OEM组装）
任务： 识别机械组件中的松动螺母
设置：
- ROI： 包围螺母区域的矩形
- 类别：
- ✅ 良好 - 正确拧紧的螺母（通过100%）
- ❌ 缺陷 - 松动的螺母（失败98%）
结果： 二元决策 - 螺母是否正确就位或松动
示例 2：轴就位验证（OEM组装）
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：
- ✅ 良好 - 完全就位的轴
- ❌ 缺陷 - 部分就位的轴
- ❌ 缺陷 - 完全脱离的轴
结果： 组件被分类为正确安装或缺陷
示例 3：散热器销钉检查（T1供应商制造）
任务： 检查单个散热器销钉的凹陷
设置：
- ROI： 覆盖散热器销钉阵列的矩形
- 类别：
- ✅ 良好 - 未损坏的销钉（直）
- ❌ 缺陷 - 弯曲/损坏的销钉（弯）
结果： 分类器区分良好和不良的销钉
分割模型
什么是分割？
创建一个分割配方，以训练深度学习模型对图像进行分割，根据标记的缺陷在像素级别进行分类。通过在像素级别操作，该工具对于需要更细粒度标签控制的检查非常有用。
“沃尔多在哪里？”方法： 分割最适合于缺陷可以采取多种形状和大小，但出现在多种位置的项目（例如，寻找划痕和凹陷）。
分割训练模式
准确/仅限生产
- 目的： 生产就绪的像素级分析
- 训练： 单一高精度模式
- 速度： 更长的训练时间以实现精确的像素分类
- 准确性： 高精度用于详细缺陷映射
- 生产就绪： ✅ 针对制造环境进行了优化
来自生产的分割示例
示例 1：表面缺陷检测（T1 供应商组装）
任务： 识别胶水溢出
设置：
- ROI： 瓶阀表面周围的矩形
- 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
示例 2：间隙尺寸测量（T1 供应商组装）
任务： 验证检查间隙的正确尺寸
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
- 类别：
- ✅ 良好 - 面积 <100 像素（通过）
- ❌ 缺陷 - 面积 > 100 像素（失败）
结果： 精确的间隙尺寸测量，包含确切的像素计数
示例 3：油漆飞溅
任务： 确认没有油漆飞溅
设置：
- ROI： 覆盖泡沫安装区域的矩形
- 像素类别：
- 黄色像素用于教导油漆的外观
结果： 油漆飞溅的像素级检测
何时选择每种模型
选择分类时：
离散状态决策：
- ✅ 需要 简单的好/坏分类
- ✅ 整个 ROI 可以标记为 几类之一
- ✅ 整体状态评估 足够
- ✅ 预期有 固定缺陷位置
- ✅ 在检查过程中 接受更快的周期时间
最佳适用： Go/No-Go 决策，组件存在/缺失，整体质量评估
选择分割时：
可变位置分析：
- ✅ 缺陷可以 出现在检查区域的任何地方
- ✅ 需要 测量缺陷的大小或面积
- ✅ 一幅图像中可能存在 多种缺陷类型
- ✅ 需要 精确的位置映射
- ✅ 最快的周期时间 对生产至关重要
最佳适用： 表面缺陷、间隙测量、覆盖验证、可变位置缺陷
性能比较
周期时间性能
| 模型类型 | 检查速度 | 最佳使用案例 |
|---|---|---|
| 分割 | ⚡ 最快 | 高速生产线 |
| 分类（准确） | 较慢 | 质量关键检查 |
| 分类（快速） | 中等 | 测试和原型 |
备注
分割模型提供最快的检查周期时间，使其非常适合高产量生产环境。
训练模式摘要
分类训练选项
- 快速模式： 快速设置以进行测试（未准备好生产）
- 准确模式： 生产就绪，具有更高的精度
分割训练选项
- 仅准确模式： 单一高精度模式，针对生产进行了优化