AI 驅動文件

您想了解什麼？

Classifier 與 Segmenter

OV10i 注意事項

OV10i 僅支援 classification 模型。本頁面提及的 segmentation 功能僅在 OV20i 和 OV80i 相機上可用。

如需進行畫素級缺陷檢測或同時檢查多個特徵，建議使用支援 segmentation 模型的 OV20i 或 OV80i。

本頁介紹 OV10i 系統中可用的兩種 AI 模型型別，並幫助您為檢測需求選擇合適的方案。

檢視實際效果 — 互動式深度解析

透過圖示和實操演練進行視覺化講解：

Understanding Classifier — Types、Classes 和 ROI 的巢狀方式；實時 classifier 演練 (OV10i)
Understanding Segmenter — 畫素級掩膜、調色盤、計數與測量；繪畫式 segmenter 演練 (OV20i，因為 OV10i 僅支援 classifier)

備註

OV10i 不具備 segmentation 功能。

需要訓練影象？

使用 Defect Creator Studio 生成照片級真實感的合成缺陷影象 — 用普通英語描述缺陷，即可在數秒內獲得可用於訓練的影象。

兩種專案型別

OV10i 針對不同的檢測需求提供兩種不同的 AI 模型方案：

Classification - "貓 vs. 狗"方法
Segmentation - "Where's Waldo (找瓦爾多)"方法

Classification Segmentation

Classification 模型

什麼是 Classification？

建立 Classification 程式以訓練深度學習模型，根據影象的視覺特徵將其歸類到不同的 class。

"貓 vs. 狗"方法： Classification 最適合影象可處於離散數量狀態之一的專案（例如，good vs. bad，但可以包含任意數量的 class）。

Classification 訓練模式

Classification 提供兩種不同的訓練方式：

⚡ Fast Classifier

用途： 快速搭建與測試
使用場景： 快速原型驗證與概念驗證
速度： 訓練時間較短
精度： 精度較低
是否可用於生產： ❌ 不推薦用於生產

Accurate/Production Classifier

用途： 可用於生產的檢測
使用場景： 最終部署與製造
速度： 訓練時間較長
精度： 精度較高
是否可用於生產： ✅ 可獲得最佳效果的主要訓練模型

來自生產現場的 Classification 示例

示例 1：螺母鬆動檢測（OEM 裝配）

任務： 識別機械裝配中的鬆動螺母

設定：

ROI： 圍繞螺母區域的矩形
Classes：
✅ Good - 正確擰緊的螺母 (Pass 100%)
❌ Defect - 鬆動的螺母 (Fail 98%)

Loose bolt

結果： 二元判定 - 螺母是否正確就位或鬆動

示例 2：軸體就位驗證（OEM 裝配）

任務： 識別未完全就位的軸

設定：

ROI： 覆蓋軸安裝區域的矩形
Classes：
✅ Good - 完全就位的軸
❌ Defect - 部分就位的軸
❌ Defect - 完全脫出的軸

Shaft Seating

結果： 元件被歸類為正確安裝或存在缺陷

示例 3：彎曲引腳檢測（T1 供應商製造）

任務： 檢查彎曲的引腳

設定：

ROI： 覆蓋散熱器引腳陣列的矩形
類別：
✅ 良品 - 未損壞的引腳（筆直）
❌ 缺陷 - 彎曲/損壞的引腳（彎曲）

Bent pin

結果： 分類器區分良品和不良品引腳

分割模型

什麼是分割？

建立分割程式以訓練深度學習模型，使其能夠獲取影象並根據標註的缺陷在畫素級別對類別進行分割。透過在畫素級別進行操作，此工具適用於需要對標籤進行更精細控制的檢測。

"Where's Waldo?" 方法： 分割最適合於缺陷可呈現多種形狀和大小，並出現在不同位置的專案（例如，查詢劃痕和凹痕）。

分割訓練模式

僅高精度/生產模式

目的： 可用於生產的畫素級分析
訓練： 單一的高精度模式
速度： 訓練時間較長，用於精確的畫素分類
精度： 高精度用於詳細的缺陷對映
可用於生產： ✅ 針對製造環境最佳化

來自生產的分割示例

示例 1：表面缺陷檢測（T1 供應商裝配）

任務： 識別膠水溢位

設定：

ROI： 閥門表面周圍的矩形
畫素類別：
膠水（黃色畫素）

Surface Defects

結果： 黃色高亮顯示了 AI 模型檢測到的缺陷，並提供原始影象作為參考

示例 2：間隙尺寸測量（T1 供應商裝配）

任務： 驗證檢測的間隙是否為正確尺寸

設定：

ROI： 間隙區域周圍的矩形
測量邏輯： 基於畫素面積值的透過條件
類別：
藍色畫素用於教導距離的樣式
✅ 良品 - 面積 <100 畫素（透過）
❌ 缺陷 - 面積 > 100 畫素（失敗）

Gap Measurements

結果： 精確測量間隙尺寸，提供準確的畫素數

示例 3：油漆飛濺

任務： 識別是否沒有油漆飛濺

設定：

ROI： 感興趣區域 (ROI) 周圍的矩形
畫素類別：
黃色畫素用於教導油漆的樣式

Paint Splatter

結果： 畫素級檢測油漆飛濺

何時選擇每種模型

何時選擇分類：

離散狀態決策：

✅ 您需要簡單的良品/不良品分類
✅ 整個 ROI 可被標註為幾個類別之一
✅ 總體狀況評估已足夠
✅ 預期缺陷位置固定
✅ 檢測期間可接受較快的迴圈時間

最適用於： Go/No-Go 決策、元件存在/缺失、整體質量評估

何時選擇分割：

位置可變分析：

✅ 缺陷可能出現在檢測區域的任何位置
✅ 您需要測量缺陷的尺寸或面積
✅ 一張影象中可能存在多種缺陷型別
✅ 需要精確的位置對映
✅ 最快的迴圈時間對生產至關重要

最適用於： 表面缺陷、間隙測量、覆蓋驗證、位置可變的瑕疵

效能對比

週期時間效能

模型型別	檢測速度	最佳使用場景
分割	⚡ 最快	高速生產線
分類（精確）	較慢	質量關鍵型檢測
分類（快速）	中等	測試和原型開發

備註

分割模型提供最快的檢測週期時間，是高吞吐量生產環境的理想選擇。

您想了解什麼？

Classifier 與 Segmenter

兩種專案型別