分類器 vs. 分割器

這是建立程式時最常見的問題。以下是一個清晰的判斷框架。

互動深度解析

如需透過互動模擬器、圖表以及針對每種模型型別的實操平臺獲取視覺化講解，請參閱：

• 理解分類器 — 型別 (Type)、類別 (Class) 和 ROI 如何巢狀；實時分類器演練平臺
• 理解分割器 — 畫素級掩碼、調色盤、計數與測量；繪圖式分割器演練平臺

分類器

分類器檢視每個 ROI 裁剪影象，並將其歸入某個 類別：透過、失敗、存在、缺失、有劃痕、合格，或您定義的任何類別。

可以將其想象為將卡片分類到不同的堆中。 AI 檢視整個裁剪影象並判斷"此圖歸入透過堆"或"此圖歸入失敗堆"。

何時使用分類器：

• 您需要透過/失敗或多類別判定
• 您的 ROI 足夠小，能清晰顯示缺陷
• 標註速度很重要（分類器的標註速度要快得多）
• 您要檢查某個特徵是否存在
• 示例：螺絲有/無、聯結器到位/未到位、標籤正確/錯誤

如需結合互動演練平臺進行更深入的講解，請閱讀 理解分類器。

需要訓練影象？

使用 Defect Creator Studio 為任一方法生成逼真的合成缺陷影象 — 用純英文描述缺陷，幾秒鐘內即可獲得可用於訓練的影象。

訓練模式

分類提供兩種不同的訓練方式：

Fast Classifier（快速分類器）

• 用途： 快速搭建與測試
• 使用場景： 快速原型設計與概念驗證
• 速度： 訓練時間較短
• 精度： 精度較低
• 是否適用於生產： 不建議用於生產

Accurate/Production Classifier（精確/生產分類器）

• 用途： 適用於生產環境的檢測
• 使用場景： 最終部署與生產製造
• 速度： 訓練時間較長
• 精度： 精度較高
• 是否適用於生產： 主要訓練模型，可獲得最佳效果

來自生產現場的分類示例

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： 螺母區域周圍的矩形
• 類別：
  • Good - 已正確擰緊的螺母（透過 100%）
  • Defect - 鬆動的螺母（失敗 98%）

結果： 二元判定 - 螺母已正確就位或鬆動

軸座安裝驗證（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
• 類別：
  • Good - 完全就位的軸
  • Defect - 部分就位的軸
  • Defect - 完全脫出的軸

結果： 部件被歸類為正確安裝或存在缺陷

彎針檢測（T1 供應商製造）

任務： 檢查針腳是否彎曲

設定：

• ROI： 覆蓋散熱器針腳陣列的矩形
• 類別：
  • Good - 未損壞的針腳（筆直）
  • Defect - 彎曲/損壞的針腳（彎曲）

結果： 分類器區分合格針腳和不合格針腳

分割器

分割器在畫素級別檢查每個 ROI 裁剪影象，並精確識別哪些畫素屬於缺陷。

可以將其想象為用馬克筆進行標註。 AI 會精確圈出缺陷所在的位置，而不僅僅是判斷是否存在缺陷。

何時使用分割器：

• 您需要畫素級的缺陷定位（劃痕到底在哪裡？）
• 您需要測量缺陷的尺寸或面積
• 您的 ROI 需要較大，但要查詢的是小缺陷
• 您需要在一個區域中計數多個缺陷
• 示例：表面劃痕、汙漬、裂紋、焊接質量、尺寸測量

如需結合互動式實驗環境進行更深入的講解，請閱讀**理解分割器**。

訓練模式

分割使用單一訓練模式：

Accurate/Production Only（精確/僅生產模式）

• 用途： 適用於生產的畫素級分析
• 訓練： 單一高精度模式
• 速度： 較長的訓練時間以實現精確的畫素分類
• 精度： 用於詳細缺陷對映的高精度
• 生產就緒： 針對製造環境進行了最佳化

來自生產環境的分割示例

表面缺陷檢測（T1 供應商總成）

任務： 識別膠水溢位

設定：

• ROI： 閥門表面周圍的矩形
• 畫素分類：
  • 膠水（黃色畫素）

結果： 黃色高亮顯示 AI 模型檢測到的缺陷，並附原始影象作為參考

間隙尺寸測量（T1 供應商總成）

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
• 分類：
  • 藍色畫素教導距離看起來是什麼樣
  • 良品 - 面積 <100 畫素（透過）
  • 缺陷 - 面積 > 100 畫素（失敗）

結果： 透過精確的畫素計數實現間隙尺寸的精確測量

油漆飛濺檢測

任務： 識別表面上的油漆飛濺

設定：

• ROI： 感興趣區域 (ROI) 周圍的矩形
• 畫素分類：
  • 黃色畫素，用於教導油漆看起來是什麼樣

結果： 畫素級的油漆飛濺檢測

同時檢查多個特徵

分割器可以透過定義不同的畫素分類來同時檢查多個特徵。例如，您可以訓練單個分割器在同一個 ROI 中檢測劃痕（類別 1）、凹痕（類別 2）和汙漬（類別 3）。每個類別透過用不同的標籤繪製該缺陷型別的畫素來獨立訓練。分割器在單次處理過程中識別所有缺陷型別，並報告哪些畫素屬於哪個類別。

這與分類不同，分類是整個 ROI 獲得單個標籤。而透過分割，多種缺陷型別可以共存於同一影象中，每種缺陷都有自己獨立的畫素級掩碼。

對比

方面	分類器	分割器
告訴你什麼	類別（透過/失敗/等）	缺陷的精確畫素
標註工作量	低：為每張影象選擇一個類別	高：塗繪缺陷畫素
所需資料	每個類別 10-15 張影象即可開始	類似，但標註耗時更長
ROI 大小	在較小 ROI 上效果最佳	更適合處理較大的 ROI
最適用於	存在/缺失、類別判斷	劃痕、汙漬、測量、畫素級檢測

週期時間效能

模型型別	檢測速度	最佳用例
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	測試與原型開發

備註

分割模型可提供最快的檢測週期時間，使其成為高吞吐量生產環境的理想選擇。

何時選擇各類模型

選擇分類的情況：

• 您需要簡單的良品/不良品分類
• 整個 ROI 可被標註為若干類別中的一種
• 整體狀態評估已足夠
• 預期缺陷位置固定
• 您希望在設定過程中更快完成標註

最適用於： Go/No-Go 判定、元件存在/缺失、整體質量評估

選擇分割的情況：

• 缺陷可能在檢測區域內任意位置出現
• 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
• 需要精確的位置定位
• 最快的週期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、位置不固定的瑕疵

拿不定主意時，從分類器開始

分類器設定更快、所需訓練影象更少，並且適用於大多數透過/失敗檢測。僅當您需要畫素級細節、缺陷測量或需要在大檢測區域內檢測小缺陷時，才切換到分割器。

分割器需要更多設定時間

分割器在標註時需要進行畫素級標註，所需時間顯著長於分類器標註。請為初始設定預留比分類器更多的時間。如果您有許多區域需要標註，時間投入會迅速累積。

512x512 畫素處理上限

分類器和分割器都以最高 512x512 畫素的解析度處理 ROI 裁剪圖。任何超過此尺寸的 ROI 在 AI 處理之前都會被縮小，這意味著小缺陷可能變得不可見。請儘量保持 ROI 儘可能小以保留細節，或者如果您需要覆蓋更大區域同時仍能檢測細小缺陷，請使用分割器。

重疊區域

確實存在重疊。許多檢測應用使用任一方法都可行。如果您不確定：

1. 從分類器開始。 它設定更簡單、標註更快
2. 如果您發現分類器精度不足（無法在大區域中檢測小缺陷，或您需要測量），則切換到分割器
3. 在 tools.overview.ai 詢問 AI Assistant。描述您的應用，它會推薦最佳方案

訓練模式摘要

訓練模式	模型型別	可用於生產	備註
Fast Classifier	分類	否	快速設定，用於測試和原型開發
Accurate Classifier	分類	是	可用於生產，精度更高
Accurate Segmenter	分割	是	單一高精度模式，針對生產環境最佳化

OV20i 與 OV80i 對比

• OV20i： 每個程式選擇一個模型，分類器或分割器二選一
• OV80i： 支援多模型。可在同一程式中針對同一次捕獲組合使用兩種模型