AI 驅動文件
您想了解什麼？
首個配方建立
本深入分析解釋了配方的定義，概述了分類與分割之間的區別，並提供了建立配方的逐步指導。還包括成像設定配置、模板影象捕獲和對齊設定、ROI 最佳化、資料收集和 AI 訓練，以及影象增強配置的詳細操作說明。
檢視此主題的實際操作：如何在幾分鐘內建立分割配方
學習目標
透過本次深入分析，您將瞭解：
- 配方是什麼
- 分類與分割之間的區別——以及何時使用每種方法
- 如何建立配方
- 如何配置成像設定
- 如何捕獲模板影象並配置對齊器
- 什麼是 ROI（感興趣區域）以及如何最佳化它們
- AI 訓練的資料收集
- 配方測試和驗證
什麼是配方？
- 一組 配置好的指令，告訴相機如何檢查特定的零件或產品。
- 定義 相機設定，包括曝光、焦距和照明引數，以確保一致的影象捕獲。
- 包含 處理邏輯，如 ROI 定義、對齊器、分類或分割類別。
- 儲存 輸入/輸出配置，以便與自動化系統整合，實現合格/不合格或高階訊號。
- 可以 儲存和重用，以確保在不同班次、生產線或設施之間進行一致的檢查。
分類與分割
定義
- 分類：識別 ROI 中物件的型別
- 分割：定位和分析影象/ROI 中的區域
示例
| 影象分類 | 影象分割 | 影象分類 | 影象分割 |
|---|---|---|---|
| 什麼是羊？ | 哪些畫素屬於哪個物件？ | 這塊披薩是合格的還是有缺陷的？ | 每片香腸在哪裡？ |
 |  |  |  |
關鍵比較
| 分類 | 分割 | |
|---|---|---|
| 速度 | 速度取決於成像設定和複雜性。一般情況下，簡單設定下效率高且快速 | 最佳化後可以 與分類一樣快甚至更快，尤其是在精簡模型的情況下 |
| 準確性 | 適用於整體 合格/不合格 或零件型別識別 | 對於 精確缺陷 定位具有更高的準確性 |
| 複雜性 | 簡單 設定和維護；引數較少 | 複雜 – 需要更多資料、標註和調優 |
| 資料需求 | 低 – 需要較少的標註影象 | 中等 – 需要許多帶有詳細畫素準確標註的影象 |
| 使用案例 | 零件存在、方向、基本質量檢查、零件插入/未插入等 | 表面缺陷、細微特徵檢查、多缺陷檢測、計數、測量等 |
建立和匯出配方
使用配方旁邊的 匯出配方 按鈕匯出單個配方。
使用螢幕頂部的 匯出 按鈕一次性匯出多個配方。
使用螢幕頂部的 匯入 按鈕匯入配方。
請記住： 每個配方一次只支援一種檢測型別，要麼是分割，要麼是分類。在開始設定之前選擇正確的型別。
成像設定
聚焦
- 它是什麼： 調整捕獲影象的清晰度。
- 如何使用： 滑動直到影象中的邊緣和細節看起來清晰明瞭。
在聚焦時使用具有清晰邊緣的目標物體（如尺子或校準卡）。
影象旋轉
- 它是什麼： 旋轉影象（0° 或 180°）。
- 何時使用： 如果相機以角度安裝，但希望在介面中以另一種方式顯示影象。
如果需要將影象旋轉90°，請旋轉相機。
曝光（毫秒）
- 它是什麼： 在影象捕獲期間感測器暴露於光線的時間。
- 效果：
- 較高的曝光 → 更亮的影象，但有運動模糊的風險。
- 較低的曝光 → 光線較少，但在快速移動的應用中影象更清晰。
| 欠曝光 | 正確曝光 | 過曝光 |
|---|---|---|
 |  |  |
曝光是對數的，較高的曝光意味著更大的延遲（因為需要更多時間進行影象捕獲）。
增益
- 它是什麼： 人為地數字化增亮影象（類似於相機的 ISO）。
- 效果：
- 較高的增益 → 更亮的影象，但增加 噪聲（顆粒感）。
- 較低的增益 → 更乾淨的影象，但需要良好的照明。
| 高增益 | 低增益 |
|---|---|
 |  |
| 更亮且有噪聲 | 更暗且噪聲較少 |
只有在無法調整曝光或照明的情況下才增加增益。
自動白平衡
- 它是什麼： 自動調整色彩平衡，使白色看起來白。
- 何時使用：
- 適用於 光照條件變化或不穩定的環境。
- 對於 穩定的設定，手動白平衡提供更 一致和可重複的結果。
要手動調整白平衡：
- 開啟 自動白平衡 切換開關。
- 在相機下方或鏡頭前放置一張 白紙。
- 關閉切換開關以鎖定白平衡設定。
伽瑪
- 定義： 調整中間色調的亮度，而不太影響暗區或亮區。
- 效果： 有助於揭示陰影中的細節或減少過於明亮的高光。
鏡頭校正
- 定義： 糾正廣角鏡頭的畸變。
- 啟用時機： 如果影象的邊緣看起來彎曲或失真，請將其切換為開啟，以確保對齊任務的準確性。
LED 閃光模式
- 定義： 控制相機內建 LED 燈的觸發時機。
- 選項：
- 關閉： LED 持續開啟。
- 開啟： LED 僅在捕獲時閃爍，減少反射。
LED 燈光模式
- 定義： 選擇 LED 的點亮方式（例如，全部開啟、全部關閉、左右、上下等）。
- 使用案例： 根據您的照明設定進行調整，以實現最佳的部件照明。
使用定向模式來減少眩光或反射，透過關閉直接照射反射表面的 LED，同時保持角度光源開啟，以獲得更好的可見性。
LED 燈光強度
- 定義： 調整 LED 照明的亮度。
- 最佳實踐： 從低亮度開始，逐漸增加以避免眩光或反射。
光度控制
- 定義： 捕獲多張影象（通常為四張）使用不同的方向光源（左、右、上、下），然後將它們合併為一張增強影象。
- 目的： 該技術減少陰影並突出微妙的表面特徵，透過提供均勻、一致的照明覆蓋部件。
- 使用時機： 適用於複雜部件、高反射表面或表面紋理不均勻的部件，標準的單光源影象可能會遺漏關鍵細節。
觸發設定
手動觸發
- 定義： 當您按下 HMI 螢幕上的按鈕時捕獲影象。
- 最佳適用： 測試、設定或手動檢查。
硬體觸發
- 定義： 使用電訊號（例如來自感測器）來觸發相機。
- 最佳適用： 自動化生產線，其中感測器檢測部件存在。
PLC 觸發
- 定義： 觸發訊號透過工業控制器（PLC）傳送，以實現與其他機器的同步操作。
- 最佳適用： 適用於需要精確時序的全自動系統。
對齊器觸發
- 定義： 當系統檢測到部件在視野中對齊時自動觸發。
- 最佳適用： 適用於需要在捕獲前保持部件一致定位的應用，或在沒有其他可靠觸發器的情況下。
間隔觸發
- 定義： 在設定的時間間隔內觸發相機。
- 最佳適用： 適用於連續過程或監控移動生產線而無需部件檢測感測器。
模板影象與對齊
跳過對齊器
- 定義： 在檢測過程中關閉對齊步驟。
- 何時使用： 如果零件在影象中的位置和方向始終相同。
模板區域
- 定義： 定義用於對齊的模板影象區域。
- 矩形： 繪製一個矩形感興趣區域。
- 圓形： 繪製一個圓形感興趣區域。
- 忽略模板區域： 排除某些區域以避免干擾圖案或無關特徵。
- 最佳使用： 幫助系統僅關注最具特徵的部分，以實現準確對齊。
旋轉範圍
- 定義： 設定系統在將零件與模板匹配時可以容忍的旋轉角度（以度為單位）。
- 示例： 設定±20°允許零件略微旋轉，但仍能被檢測到。
- 何時調整： 如果零件在生產過程中傾向於旋轉，則增加；對於高度一致的方向，則減少。
靈敏度
- 定義： 控制系統在實時影象與模板之間尋找匹配的精細程度。
- 效果：
- 高靈敏度 → 檢測更細微的細節，適用於複雜零件。
- 低靈敏度 → 減少誤匹配，但可能錯過細微特徵。
置信度閾值
- 定義： 設定系統接受檢測所需的最低置信度分數。
- 效果：
- 較高的閾值 → 較少的誤報，但可能錯過邊緣匹配。
- 較低的閾值 → 更多的檢測，但增加誤報的風險。
開始時設定適中，並根據測試結果進行調整。
尺寸不變
- 定義： 允許系統檢測略大於或小於原始模板影象的零件。
- 何時啟用： 如果零件尺寸可能因定位、距離變化或製造公差而略有變化。
實時預覽圖例
1. 一個可配置的邊界框，定義在觸發過程中監控的相機視場的特定區域。
- 目的： 確保相機僅關注相關區域，忽略不必要的背景區域。
- 最佳使用：
- 對於移動物體，確保零件始終完全位於檢測區域內。
- 透過減少分析的影象資料量來最佳化處理速度。
2. 一個視覺紅點，顯示影象中所有定義的 ROI（感興趣區域）的中心點。
- 目的： 幫助您對齊和定位搜尋區域相對於零件或相機檢視。
3. 綠色線條表示檢測到物體的邊緣。
如果您看到線條變為紅色，請嘗試增加 ROI 大小、調整 ROI 或提高靈敏度。
ROI（感興趣區域）定義與最佳化
檢查型別
- 定義： 定義正在執行的檢查型別並將相似的ROI（感興趣區域）分組。
- 示例： “孔”用於檢查零件中孔的存在、大小或質量。
- 主要功能：
- 新增檢查型別： 為不同的檢查需求建立新類別。
- ROI數量： 顯示當前分配給該檢查型別的ROI數量。
變換
- 定義： 調整所選ROI的位置和幾何形狀以實現精確對齊和放置。
- 欄位及其目的：
- 高度/寬度： 更改ROI的大小。
- X / Y： 沿水平（X）和垂直（Y）軸移動ROI的位置。
- 角度： 圍繞其中心旋轉ROI。
- 最佳使用： 當您有重複模式（如多個相同孔）時，加快設定速度。
檢查區域
- 定義： 模板影象中定義的所有ROI的列表。
- 功能：
- 新增檢查區域： 手動建立新的ROI。
- 忽略區域： 從處理過程中排除特定區域。
- 編輯： 儲存、刪除或取消。
- 鎖定圖示： 表示鎖定的ROI，無法在未解鎖的情況下移動。
實時預覽模式
- 定義： 在調整或新增ROI後顯示實時反饋。
- 使用案例： 非常適合在設定過程中微調ROI的位置和大小。
測試按鈕
- 定義： 根據舊影象執行回測以驗證更改。
- 使用案例： 比較當前結果與之前設定的準確性和一致性。
資料收集與AI訓練
定義不同的檢查類別，並根據指定的檢查型別標記每個ROI（見下面的示例）。
使用標註工具對影象進行標記/註釋。使用畫筆類別下拉選單選擇要註釋的類別。當前每個配方的分割類別限制為最多10個。
良好資料的重要性
-
垃圾進，垃圾出： AI模型的表現取決於您提供的資料。低質量或不一致的資料會導致不準確的結果。
-
多樣性很重要： 收集代表所有現實世界變化的資料：不同的班次、光照條件、零件位置和表面條件。
-
質量重於數量： 一個較小、乾淨、標註良好的資料集通常比一個大但嘈雜或不一致的資料集表現更好。
標註基礎：
- 分類： 將整個影象或ROI標記為特定類別（例如，“良好”、“損壞”）。
- 分割： 以畫素級精度刷塗、勾勒或突出顯示特定感興趣區域（例如，表面上的劃痕位置）。
- 一致性： 使用一致的規則和定義進行標註，以避免在訓練過程中產生混淆。
常見陷阱
- 資料不足： 樣本過少會導致欠擬合，造成實際表現不佳。
- 類別不平衡： 一類（例如，許多“良好”零件但少數缺陷零件）的過度代表會扭曲模型。
- 標註不良： 不正確、不一致或匆忙的標註會導致顯著的準確性下降。
- 忽視環境變化： 當光照、零件方向或表面條件變化時未更新資料集會導致準確性漂移。
- 未驗證資料： 在訓練前跳過質量檢查通常會導致時間和返工的浪費。
資料增強
影象增強 人工修改您的訓練影象 以提高模型的魯棒性。它們模擬現實世界的變化，如亮度變化、旋轉或噪聲，以便模型在不同條件下表現良好。
顏色增強
亮度
- 定義： 調整影象的明亮或黑暗程度。
- 使用場景： 處理生產過程中光照的輕微變化。
對於穩定的設定使用 ±0.1；如果光照變化較大，則增加該值。
對比度
- 定義： 改變明暗區域之間的差異。
- 使用場景： 對於具有紋理或表面變化的部件，幫助模型適應視覺差異。
色調
- 定義： 稍微改變顏色的色調。
- 使用場景： 適用於光照顏色（例如，LED溫度）可能隨時間變化的設定。
飽和度
- 定義： 調整顏色的強度。
- 使用場景： 幫助處理由於照明變化而使影象顯得更暗淡或更鮮豔的情況。
幾何增強
旋轉範圍
- 定義： 在設定範圍內隨機旋轉影象（例如，±20°）。
- 使用場景： 適用於可能稍微旋轉的部件。
避免對通常固定方向的部件進行過度旋轉。
翻轉
- 定義： 水平、垂直或同時翻轉影象。
- 使用場景： 對於對稱部件或在處理過程中可能翻轉的情況非常有用。
光照與顏色模擬
普朗克溫度
- 定義： 模擬色溫的變化（例如，暖光或冷光）。
- 使用場景： 處理不同的光源變化或工作單元。
高斯噪聲
- 定義： 向影象新增細微噪聲。
- 使用場景： 如果您的生產環境有小的視覺噪聲或相機感測器偽影，可以提高魯棒性。
運動模擬
運動模糊
- 定義： 模擬捕獲過程中部件移動時產生的輕微模糊。
- 使用場景： 對於可能發生運動模糊的高速生產線至關重要。
機率 (prob)
- 定義： 設定在訓練過程中應用每種增強的可能性。
- 示例： 0.50 = 50% 的機會將該變化應用於任何給定的訓練影象。
對於大多數增強，從 0.5 開始，並根據實際變化進行調整。
訓練引數（分割）
訓練引數（也稱為超引數）是控制 機器學習模型如何從資料中學習 的設定。
學習率
- 定義： 控制模型在訓練過程中更新其內部權重的速度。
- 值（0.003）： 學習率越高，模型學習得越快，但過高可能導致不穩定或準確性差。
- 滑塊範圍： 從 10^-4（非常慢）到 10^-1（非常快）。
通常，0.001–0.01 之間的值是分割任務的良好起點。
ROI（感興趣區域）大小
- 定義： 定義用於訓練的影象區域的大小（寬度 × 高度）。
- 未選中： 預設情況下，模型會根據您的資料自動確定 ROI。
- 選中時： 如果您需要一致的輸入尺寸（例如，所有影象裁剪為 256×256 畫素），您可以手動設定寬度和高度。
當您的資料集包含不同大小的影象且您希望獲得一致的輸入以提高穩定性、可重複性或匹配已知模型架構時，請使用固定大小（例如，256×256）。
當您的資料已經具有統一的解析度，或者您希望系統根據資料集的特徵最佳化最佳感興趣區域時，讓它自動選擇。
迭代次數（Epochs）
- 定義： 一個 epoch = 對整個訓練資料集的一次完整遍歷。
- 值（100）： 模型將進行 100 次完整遍歷的訓練。
通常增加這個數字會提高準確性，但會花費更長時間。
經驗法則： 在訓練過程中監控訓練和驗證損失。如果驗證損失停止下降而訓練損失持續下降，這表明模型正在過擬合，您應該提前停止訓練。
架構
- 定義： 選擇神經網路的大小和複雜性。
- 小型： 訓練速度更快，通常足以滿足大多數資料集的需求。適合快速實驗或較小的資料集。
- 較大模型 可以捕捉更多細節，但在小資料集上可能會過擬合，而較小模型在資料有限時更高效且更具泛化能力。
從小型開始，通常足夠並能幫助您更快地迭代，然後再擴大規模。
外部 GPU
請聯絡支援以瞭解有關外部 GPU 的更多資訊。
訓練引數（分類）
訓練引數（也稱為超引數）是控制 機器學習模型如何從資料中學習 的設定。
學習率
- 定義： 控制模型在訓練過程中更新其內部權重的速度。
- 值（0.003）： 學習率越高，模型學習越快，但過高可能導致不穩定或較差的準確性。
- 滑塊範圍： 從 10^-4（非常慢）到 10^-1（非常快）。
通常，0.001–0.01 之間的值是分割任務的良好起點。
驗證百分比
- 定義： 定義將用於驗證（訓練期間測試）資料集的哪一部分。
- 目的： 驗證資料有助於監控模型在未見示例上的表現，防止過擬合。
- 範圍： 0–50%。
常見選擇為 10–20%。
如果設定為 0%，則所有資料都用於訓練，這可能提高訓練準確性，但會使檢測過擬合變得更加困難。
ROI (感興趣區域) 大小
- 定義： 定義用於訓練的影象區域的大小（寬度 × 高度）。
- 未選中： 預設情況下，模型會根據您的資料自動確定 ROI。
- 選中時： 如果您需要一致的輸入尺寸（例如，所有影象裁剪為 256×256 畫素），可以手動設定寬度和高度。
當您的資料集包含不同尺寸的影象，並且您希望獲得一致的輸入以提高穩定性、可重複性或與已知模型架構匹配時，請使用固定大小（例如，256×256）。
當您的資料已經具有統一的解析度，或當您希望系統根據資料集的特徵最佳化最佳感興趣區域時，讓它自動選擇。
迭代次數（Epochs）
- 定義： 一個 epoch = 對整個訓練資料集的一次完整遍歷。
- 值（100）： 模型將進行 100 次完整遍歷的訓練。
通常增加這個數字會提高準確性，但會花費更長時間。
經驗法則： 在訓練過程中監控訓練和驗證損失。如果驗證損失停止下降而訓練損失繼續下降，這表明模型過擬合，您應該提前停止訓練。
架構
- 定義： 選擇神經網路的大小和複雜性。
- 小型： 訓練速度更快，通常足以滿足大多數資料集的需求。適合快速實驗或較小的資料集。
從小型開始，通常足夠，並且可以幫助您在擴充套件之前更快地迭代。
| 架構和相機 | 描述 | 推薦用途 |
|---|---|---|
| ConvNeXt-Pico | 針對速度和低記憶體使用最佳化的超輕量模型。 | 適合快速實驗或硬體受限的情況。 |
| ConvNeXt-Nano | 稍大於 Pico；在最小增加成本的情況下提供更好的準確性。 | 小到中等資料集的良好平衡。 |
| ConvNeXt-Tiny | 提供更好的準確性，同時仍然高效。 | 適合中等資料集和較長的訓練執行。 |
| ConvNeXt-Small | 此列表中功能最強大的變體。具有更高的容量和準確性。 | 用於大型資料集或需要最大效能時。 |
外部 GPU
聯絡支援以瞭解有關外部 GPU 的更多資訊。