跳到主要內容

AI 驅動文件

您想了解什麼？

分類器 vs Segmenter

OV10i Note

OV10i 僅支援 classification 模型。本頁提到的 Segmentation 功能在 OV20i 與 OV80i 攝像機上可用。

For pixel-level defect detection or inspecting multiple features simultaneously, consider the OV20i or OV80i, which support segmentation models.

本頁面解釋 OV10i 系統中可用的兩種 AI 模型型別，並幫助您為檢驗需求選擇合適的方法。

備註

OV10i 不具備 Segmentation 功能。

Need training images?

Use the Defect Creator Studio to generate photorealistic synthetic defect images — describe the defect in plain English and get training-ready images in seconds.

兩種型別的專案​

OV10i 提供兩種用於不同檢驗需求的獨特 AI 模型方法：

  • Classification - “Cats vs. Dogs” 方法
  • Segmentation - “Where's Waldo?” 方法

Classification Segmentation

分類模型​

什麼是 Classification？​

建立一個 Classification Recipe，用以訓練一個深度學習模型，根據影象的視覺特徵將其分類到不同的類別。

The "Cats vs. Dogs" Approach: Classification 最適用於影象可以處於離散狀態之一的專案（例如 良好 vs 不良，但類別數量可以為任意數量）。

Classification 訓練模式​

Classification 提供兩種不同的訓練方法：

⚡ Fast Classifier

  • 目的: 快速搭建和測試
  • 用例: 快速原型設計與概念驗證
  • 速度: 更快的訓練時間
  • 精度: 較低
  • 生產就緒: ❌ 不推薦用於生產

Accurate/Production Classifier

  • 用途: 生產就緒的檢驗
  • 用例: 最終部署與製造
  • 速度: 更長的訓練時間
  • 精度: 更高
  • 生產就緒: ✅ 作為最佳結果的主訓練模型

來自生產環境的分類示例​

示例 1：鬆動螺母檢測（OEM 裝配）​

任務: 識別機械裝配中的鬆動螺母

設定：

  • ROI: 環繞螺母區域的矩形
  • 類別：
  • ✅ Good - 擰緊良好螺母 (透過 100%)
  • ❌ Defect - 鬆動螺母 (失敗 98%)

鬆動螺栓

結果: 二元判定 - 螺母是正確就位還是鬆動

示例 2：軸就位驗證（OEM 裝配）​

任務: 識別部分就位的軸

設定：

  • ROI: 覆蓋軸安裝區域的矩形
  • 類別：
  • ✅ Good - 完全就位的軸
  • ❌ Defect - 部分就位的軸
  • ❌ Defect - 完全未就位的軸

軸就位

結果: 元件被歸類為正確安裝或有缺陷

示例 3：彎針檢查（T1 供應商製造）​

任務: 檢查是否有彎曲的針腳

設定：

  • ROI: 覆蓋散熱器針陣列的矩形
  • 類別：
  • ✅ Good - 未損壞針腳（直針）
  • ❌ Defect - 彎曲/損壞的針腳（彎曲）

彎針

結果: 分類器區分良好針腳與不良針腳

分割模型​

什麼是分割？​

建立一個分割配方，用於訓練深度學習模型對影象進行畫素級別的類別分割，基於帶標籤的缺陷。透過畫素級處理，該工具適用於需要對標籤進行更細粒度控制的檢驗。

The "Where's Waldo?" Approach: 分割最適用於缺陷形狀和尺寸多樣、但出現在多種位置的專案（例如尋找刮痕和凹痕）。

分割訓練模式​

準確/僅生產用途

  • 目的： 面向生產的畫素級分析
  • 訓練： 單一高精度模式
  • 速度： 為實現更精確的畫素分類而需要較長的訓練時間
  • 精度： 對詳細缺陷對映具有高精度
  • 生產就緒： ✅ 為製造環境最佳化

生產中的分割示例​

示例 1：表面缺陷檢測（T1 供應商裝配）​

任務： 識別膠水洩漏

設定：

  • ROI： 圍繞閥表面的矩形區域
  • 畫素類別：
  • 膠水 (黃色畫素)

表面缺陷

結果： 黃色高亮顯示 AI 模型檢測為缺陷的區域，供參考的原始影象亦會顯示

示例 2：縫隙尺寸測量（T1 供應商裝配）​

**任務：驗證檢查部位的縫隙尺寸是否正確

設定：

  • ROI： 圍繞縫隙區域的矩形
  • 測量邏輯： 基於畫素面積值的透過條件
  • 類別：
  • 藍色畫素用於指示距離的外觀
  • ✅ 合格 - 面積 <100 畫素（透過）
  • ❌ 缺陷 - 面積 > 100 畫素（失敗）

縫隙測量

結果： 縫隙尺寸的精確測量和畫素計數

示例 3：油漆飛濺​

任務：確認沒有油漆飛濺

設定：

  • ROI： 檢查區域周圍的矩形
  • 畫素類別：
  • 用於教會模型識別油漆外觀的黃色畫素

油漆飛濺

結果： 畫素級的油漆飛濺檢測

何時選擇每種模型​

選擇 Classification 時：​

離散狀態決策：

  • ✅ 你需要對“好/壞”進行簡單分類
  • ✅ 整個 ROI 可以標註為以下多類之一
  • ✅ 總體狀況評估 已足夠
  • ✅ 固定缺陷位置 是預期
  • ✅ 檢驗過程中可以接受更快的迴圈時間

最佳應用： Go/No-Go 決策、元件存在/缺失、整體質量評估

選擇 Segmentation 時：​

位置變數分析：

  • ✅ 缺陷可能出現在檢驗區域的任何位置
  • ✅ 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
  • ✅ 對生產而言，最快的迴圈時間至關重要

最佳應用： 表面缺陷、縫隙測量、覆蓋率驗證、可變定位缺陷

效能對比​

迴圈時間效能​

模型型別檢驗速度最佳用例
分割⚡ 最快高速生產線
分類（高精度）較慢質量關鍵的檢驗
分類（快速）中等測試與原型驗證
備註

分割模型提供最快的檢驗迴圈時間，使其成為高產線生產環境的理想選擇。

訓練模式概 Overview​

Wait—Oops: I accidentally typed "概 Overview" incorrectly. We must ensure proper translation: "## 訓練模式概覽" not "概 Overview". I must produce final markdown correctly.

Let's craft final again:

訓練模式概覽​

分類訓練選項​

  • Fast Mode: 用於測試的快速設定（不適用於生產環境）
  • Accurate Mode: 具有更高精度的生產就緒

分割訓練選項​

  • Accurate Mode Only: 單一高精度模式，專為生產最佳化

🔗 相關連結​