首个程序创建

本深度指南阐述了什么是程序，介绍了分类与分割之间的差异，并提供了创建程序的分步指导。同时还包括图像设置配置、模板图像捕获与对齐设置、ROI 优化、数据采集与 AI 训练，以及图像数据增强配置的详细演练。

视频指南

观看该主题的实际操作：如何在几分钟内创建分割程序

---

学习目标

完成本深度指南后，您将了解：

• 什么是程序
• 分类与分割的区别——以及各自的使用场景
• 如何创建程序
• 如何配置图像设置
• 如何捕获模板图像并配置对齐器
• 什么是 ROI（感兴趣区域）以及如何优化它们
• 用于 AI 训练的数据采集
• 程序测试与验证

什么是程序？

• 一组已配置的指令集，用于告知相机如何检测特定零件或产品。
• 定义相机设置，包括曝光、增益和白平衡，以实现一致的图像捕获。镜头对焦和光圈通过 C-mount 镜头进行机械设置。
• 包括处理逻辑，例如 ROI 定义、对齐器、分类或分割类别。
• 存储输入/输出配置，以与自动化系统集成，实现通过/失败或高级信号。
• 可保存和重复使用，以确保跨班次、生产线或工厂的一致检测。

分类与分割

定义

• 分类：识别 ROI 中对象的类型
• 分割：定位并分析图像/ROI 中的区域

示例

图像分类	图像分割	图像分类	图像分割
什么是绵羊？	哪些像素属于哪个对象？	这个披萨是合格的还是有缺陷的？	每片意大利辣香肠在哪里？

关键对比

	分类	分割
速度	速度取决于图像设置和复杂度。在简单设置下通常高效快速	优化后可与分类一样快甚至更快，尤其是使用精简模型时
准确性	适用于整体通过/失败或零件类型识别	对精确缺陷定位具有更高准确性
复杂度	简单易于设置和维护；参数较少	复杂 – 需要更多数据、标注和调优
数据需求	低 – 所需标注图像较少	中等 – 需要大量带有详细像素级精确标注的图像
使用场景	零件存在、方向、基本质量检查、零件是否插入等。	表面缺陷、精细特征检测、多缺陷检测、计数、测量等。

创建和导出程序

使用程序旁边的 Export Recipe 按钮导出单个程序。

使用屏幕顶部的 Export 按钮一次导出多个程序。

使用屏幕顶部的 Import 按钮导入程序。

备注

请注意： 每个程序一次仅支持一种检测类型，即分割或分类。请在开始设置前选择正确的类型。

图像设置

图像旋转

• 功能说明： 旋转图像（0° 或 180°）。
• 使用场景： 如果相机以某个角度安装，但您希望图像在界面中以另一方向显示。

备注

如果需要将图像旋转 90°，请旋转相机。

增益

• 功能说明： 以数字方式人为地提亮图像（类似相机上的 ISO）。
• 效果：
  • 增益越高 → 图像越亮，但会增加噪点（颗粒感）。
  • 增益越低 → 图像越干净，但需要良好的光照。

高增益	低增益
更明亮但噪点更多	更暗但噪点更少

提示

只有在无法调整曝光或光照的情况下才提高增益。

模板图像与对齐

跳过对齐器

• 功能说明： 在检测过程中关闭对齐步骤。
• 使用场景： 如果部件在图像中始终处于相同的位置和方向。

模板区域

• 功能说明： 定义用于对齐的模板图像区域。
  • 矩形： 绘制矩形感兴趣区域。
  • 圆形： 绘制圆形感兴趣区域。
  • 忽略模板区域： 将某些区域排除在对齐之外，以避免干扰性图案或无关特征。
• 最佳用途： 帮助系统仅关注最具辨识度的部件特征，以实现精准对齐。

旋转范围

• 功能说明： 设置系统在将部件与模板匹配时可容忍的旋转角度（以度为单位）。
• 示例： 设置为 ±20° 允许部件轻微旋转但仍可被检测到。
• 调整时机： 如果部件在生产过程中容易发生旋转，则增大该值；对于方向高度一致的情况，则减小该值。

灵敏度

• 功能说明： 控制系统在实时图像与模板之间查找匹配的精细程度。
• 效果：
  • 高灵敏度 → 可检测到更细微的细节，适用于复杂部件。
  • 低灵敏度 → 减少误匹配，但可能会遗漏细微特征。

置信度阈值

• 含义： 设置系统接受检测所需的最低置信度分数。
• 效果：
  • 阈值越高 → 误报越少，但可能会漏掉临界匹配。
  • 阈值越低 → 检测数量增多，但误报风险随之上升。

提示

从中等值开始，根据测试结果进行调整。

尺度不变

• 含义： 允许系统检测比原始模板图像略大或略小的部件。
• 何时启用： 当部件尺寸可能因定位、距离变化或制造公差而略有差异时。

实时预览图例

1. 一个可配置的边界框，用于定义触发期间要监控的相机视野 FOV 中的特定区域。

• 用途： 确保相机仅聚焦于相关区域，忽略不必要的背景区域。
• 最佳用途：
  • 对于移动物体，确保部件完全保留在检测区域内。
  • 通过减少需要分析的图像数据量来优化处理速度。

2. 一个可视化的红点，显示图像中所有已定义 ROI（感兴趣区域）的中心点。

• 用途： 帮助您相对于部件或相机视图对齐并定位搜索区域。

3. 绿色线条表示已检测到物体的边缘。

提示

如果您看到线条变为红色，请尝试增大 ROI 尺寸、调整 ROI 或提高灵敏度。

ROI（感兴趣区域）的定义与优化

检测类型

• 含义： 定义正在执行的检测类型，并将相似的 ROI（感兴趣区域）分组。
• 示例： "Holes"用于检查部件上孔的存在、尺寸或质量。
• 主要功能：
  • 添加检测类型： 为不同的检测需求创建新类别。
  • ROI 数量： 显示当前分配给该检测类型的 ROI 数量。

变换

• 含义： 调整所选 ROI 的位置和几何形状，以实现精确的对齐和放置。
• 字段及其用途：
  • 高度/宽度： 更改 ROI 的尺寸。
  • X / Y： 沿水平（X）和垂直（Y）轴移动 ROI 的位置。
  • 角度： 围绕 ROI 中心旋转。
• 最佳用途： 当您有重复图案（如多个相同的孔）时，可加快设置速度。

检测区域

• 功能说明： 模板图像中定义的所有 ROI 的列表。
• 功能特性：
  • 添加检测区域： 手动创建新的 ROI。
  • 忽略区域： 将特定区域排除在处理之外。
  • 编辑： 保存、删除或取消。
  • 锁定图标： 表示已锁定的 ROI，解锁前无法移动。

实时预览模式

• 功能说明： 在调整或添加 ROI 后显示实时反馈。
• 使用场景： 非常适合在设置过程中精细调整 ROI 的位置和大小。

测试按钮

• 功能说明： 基于旧图像运行回测以验证更改。
• 使用场景： 将当前结果与之前的设置进行比较，以验证准确性和一致性。

数据采集与 AI 训练

定义不同的检测类别，并根据每个 ROI 指定的检测类型为其添加标签（参见下方示例）。

使用标注工具为图像添加标签/标注。使用画笔类别下拉菜单选择要标注的类别。分割任务当前每个程序最多支持 10 个类别。

优质数据的重要性

• 垃圾进，垃圾出： AI 模型的效果取决于所提供的数据质量。质量差或不一致的数据会导致结果不准确。

• 多样性至关重要： 采集能够代表所有现实变化的数据：不同班次、光照条件、零件位置和表面状况。

• 质量重于数量： 一个规模较小但干净且标注良好的数据集，通常比一个庞大但噪声大或不一致的数据集表现更好。

标注基础：

• 分类： 将整幅图像或 ROI 标记为特定类别（例如"良好"、"损坏"）。
• 分割： 以像素级精度对特定关注区域进行涂刷、勾勒或高亮标注（例如表面上的划痕位置）。
• 一致性： 使用一致的规则和定义进行标注，以避免训练过程中的混淆。

常见陷阱

• 数据不足： 样本过少会导致欠拟合，从而在实际应用中表现不佳。
• 类别不平衡： 某一类别的过度代表（例如"良好"零件很多但缺陷零件很少）会使模型产生偏差。
• 标注质量差： 错误、不一致或仓促的标注会导致准确率显著下降。
• 忽略环境变化： 当光照、零件方向或表面状况发生变化时未更新数据集，会导致准确率漂移。
• 未验证数据： 训练前跳过质量检查通常会导致时间浪费和返工。

数据增强

图像数据增强通过人为修改训练图像来提高模型的鲁棒性。它们模拟真实世界中的变化，如亮度变化、旋转或噪声，使模型在不同条件下都能表现良好。

颜色增强

亮度 (Brightness)

• 含义： 调整图像的明暗程度。
• 使用场景： 用于应对生产过程中光照的轻微变化。

提示

对于稳定的设置使用 ±0.1；如果光照变化较大，可适当增加。

对比度 (Contrast)

• 含义： 改变明暗区域之间的差异。
• 使用场景： 适用于具有纹理或多样表面的部件，帮助模型适应视觉差异。

色相 (Hue)

• 含义： 轻微地调整色调。
• 使用场景： 适用于光照颜色（例如 LED 色温）可能随时间变化的场景。

饱和度 (Saturation)

• 含义： 调整颜色的强度。
• 使用场景： 帮助应对使图像看起来更暗淡或更鲜艳的光照变化。

几何增强

旋转范围 (Rotation Range)

• 含义： 在设定范围内（例如 ±20°）随机旋转图像。
• 使用场景： 适用于可能以略微旋转的位置出现的部件。

提示

对于通常方向固定的部件，请避免过度旋转。

翻转 (Flip)

• 含义： 水平、垂直或同时翻转图像。
• 使用场景： 适用于对称的部件，或在搬运过程中方向可能翻转的情况。

光照与颜色模拟

Planckian

• 含义： 模拟色温变化（例如暖光或冷光）。
• 使用场景： 应对不同班次或光源不同的工作单元。

高斯噪声 (Gaussian Noise)

• 含义： 为图像添加细微噪声。
• 使用场景： 如果您的生产环境中存在少量视觉噪声或相机传感器伪影，可提高鲁棒性。

运动模拟

运动模糊 (Motion Blur)

• 含义： 模拟捕获过程中部件移动所产生的轻微模糊。
• 使用场景： 对于可能出现运动模糊的高速产线至关重要。

概率 (prob)

• 含义： 设置训练期间应用每种数据增强的可能性。
• 示例： 0.50 = 有 50% 的概率将该变化应用于任何给定的训练图像。

提示

大多数数据增强建议从 0.5 开始，并根据实际变化情况进行调整。

训练参数（分割）

训练参数（也称为超参数）是控制机器学习模型如何从数据中学习的设置。

学习率 (Learning Rate)

• 定义： 控制模型在训练期间更新其内部权重的速度。
• 值 (0.003)： 学习率越高，模型学习得越快，但过高可能导致不稳定或精度较差。
• 滑块范围： 从 10^-4（非常慢）到 10^-1（非常快）。

提示

通常，介于 0.001–0.01 之间的值是分割任务的良好起点。

ROI (Region of Interest) 大小

• 定义： 定义训练期间使用的图像区域大小（宽 × 高）。
• 未勾选： 默认情况下，模型会根据您的数据自动确定 ROI。
• 勾选时： 如果需要一致的输入尺寸（例如，所有图像都裁剪为 256×256 像素），您可以手动设置宽度和高度。

提示

当您的数据集中包含不同大小的图像，并且希望获得一致的输入以提高稳定性、可复现性或匹配已知的模型架构时，请使用固定大小（例如 256×256）。

当您的数据已具有统一分辨率，或希望系统根据数据集特征优化最佳感兴趣区域时，请让系统自动选择。

迭代次数 (Epochs)

• 定义： 一个 epoch = 完整遍历整个训练数据集一次。
• 值 (100)： 模型将进行 100 次完整训练遍历。

提示

增加此数值通常会在一定程度上提高准确性，但耗时更长。

经验法则： 在训练期间监控训练损失和验证损失。如果验证损失停止下降而训练损失仍持续下降，则表明模型出现过拟合，您应尽早停止训练。

架构

• 定义： 选择神经网络的规模和复杂度。
• Small： 训练速度更快，通常对于大多数数据集已足够。适合快速实验或较小的数据集。
• 较大的模型 可以捕获更多细节，但在小数据集上可能会过拟合；较小的模型在数据有限时更高效且泛化能力更好。

提示

从 Small 开始，通常已足够，并能帮助您在扩展之前更快地进行迭代。

外部 GPU

如需了解更多关于外部 GPU 的信息，请联系技术支持。

训练参数（分类）

训练参数（也称为超参数）是控制机器学习模型如何从数据中学习的设置。

学习率

• 定义： 控制模型在训练期间更新其内部权重的速度。
• 值 (0.003)： 学习率越高，模型学习越快，但过高可能导致不稳定或准确性差。
• 滑块范围： 从 10^-4（非常慢）到 10^-1（非常快）。

提示

通常，0.001–0.01 之间的值是分割任务的良好起点。

验证百分比

• 定义： 定义将数据集中多少比例的数据留作验证（训练期间的测试）。
• 用途： 验证数据有助于监控模型在未见样本上的表现，防止过拟合。
• 范围： 0–50%。

提示

常见选择为 10–20%。

如果设置为 0%，则所有数据都用于训练，这可能会提高训练准确性，但更难检测过拟合。

ROI (Region of Interest) 尺寸

• 定义： 定义训练期间使用的图像区域的尺寸（宽 × 高）。
• 未勾选： 默认情况下，模型会根据您的数据自动确定 ROI。
• 勾选时： 如果需要一致的输入尺寸（例如，所有图像都裁剪为 256×256 像素），您可以手动设置宽度和高度。

提示

当数据集包含不同尺寸的图像，且您希望获得一致的输入以提高稳定性、可复现性或匹配已知的模型架构时，请使用固定尺寸（例如 256×256）。

当您的数据已具有统一的分辨率，或希望系统根据数据集的特性优化最佳感兴趣区域时，请让系统自动选择。

迭代次数 (Epochs)

• 定义： 一个 epoch = 完整遍历一次整个训练数据集。
• 值 (100)： 模型将进行 100 次完整训练。

提示

增加此数字通常会在一定程度上提高准确性，但训练时间会更长。

经验法则： 在训练过程中监控训练损失和验证损失。如果验证损失停止下降而训练损失持续下降，则表明模型出现过拟合，您应尽早停止训练。

架构

• 定义： 选择神经网络的大小和复杂性。
• Small： 训练速度更快，通常足以应对大多数数据集。适合快速实验或较小的数据集。

提示

从 Small 开始，通常已足够，并可帮助您在扩展之前更快地进行迭代。

架构与相机	描述	推荐用途
ConvNeXt-Pico	超轻量级模型，针对速度和低内存使用进行了优化。	非常适合快速实验或有限的硬件。
ConvNeXt-Nano	略大于 Pico；以极小的额外成本获得更好的准确性。	对于中小型数据集具有良好的平衡性。
ConvNeXt-Tiny	在保持高效的同时提供更高的准确性。	适用于中等规模数据集和较长时间的训练。
ConvNeXt-Small	此列表中功能最强大的变体。具有更高的容量和准确性。	适用于大型数据集或需要最高性能时。

外部 GPU

请联系技术支持了解更多有关外部 GPU 的信息。