分類器 vs. 分割器

這是建立程式時最常見的問題。以下是一個清晰的框架。

實戰演示 — 互動式深度解析

如需透過互動式模擬器、圖表和動手操作平臺對每種模型型別進行視覺化講解，請參閱：

• 理解分類器 — 型別、類別和 ROI 如何巢狀；實時分類器實操平臺
• 理解分割器 — 畫素級掩膜、調色盤、計數與測量；繪圖式分割器實操平臺

分類器

分類器會檢視每個 ROI 裁剪影象，並將其歸入一個類別：透過、失敗、存在、缺失、劃傷、合格，或你定義的任何類別。

可以把它想象成把卡片分成幾堆。 AI 檢視整個裁剪影象，然後說"這個歸入透過堆"或"這個歸入失敗堆"。

何時使用分類器：

• 需要透過/失敗或多類別判定
• ROI 足夠小，能清楚顯示缺陷
• 標註速度很重要（分類器的標註速度要快得多）
• 檢查某個特徵的存在/缺失
• 示例：螺絲存在/缺失、聯結器到位/未到位、標籤正確/錯誤

如需配合互動式實操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 — 用簡明英語描述缺陷，幾秒鐘即可獲得可供訓練的影象。

訓練模式

分類提供兩種不同的訓練方式：

Fast Classifier

• 用途： 快速設定和測試
• 使用場景： 快速原型開發和概念驗證
• 速度： 訓練時間較短
• 準確度： 精度較低
• 生產就緒： 不推薦用於生產

Accurate/Production Classifier

• 用途： 生產就緒的檢測
• 使用場景： 最終部署和生產製造
• 速度： 訓練時間較長
• 準確度： 精度較高
• 生產就緒： 用於獲得最佳效果的主要訓練模型

生產中的分類示例

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 - 正確擰緊的螺母 (Pass 100%)
  • Defect - 鬆動的螺母 (Fail 98%)

結果： 二元判定 - 螺母是否正確就位或鬆動

軸座就位驗證 (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 - 完全脫出的軸

結果： 部件被歸類為正確安裝或有缺陷

彎曲針腳檢測 (T1 供應商製造)

任務： 檢查彎曲的針腳

設定：

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

結果： 分類器能區分合格和不合格的針腳

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。

可以把它想象成用馬克筆做標記。 AI 精確地圈出缺陷所在的位置，而不僅僅是判斷是否存在缺陷。

在以下情況使用分割器：

• 需要畫素級缺陷定位（劃痕究竟在哪裡？）
• 需要測量缺陷的尺寸或面積
• ROI 需要較大，但要檢測的缺陷較小
• 需要在一個區域內統計多個缺陷
• 示例：表面劃痕、汙漬、裂紋、焊接質量、尺寸測量

在與檢測時相同的尺度下訓練分割器

分割器只能學習其所見到的缺陷的尺寸和紋理。如果只用小顆粒汙染物訓練它，那麼生產線上出現同類缺陷的大塊樣本時，可能只有邊緣或零散區域被高亮標記——缺陷主體部分將未被遮罩。解決方法是在訓練樣本中涵蓋預期出現的所有缺陷尺寸範圍。沒有大缺陷樣本？可使用 Defect Creator Studio 生成合成樣本。

如需透過互動式 playground 進行更深入的講解，請閱讀 Understanding Segmenter。

訓練模式

分割使用單一訓練模式：

Accurate/Production Only（高精度/僅生產）

• 用途： 適合生產環境的畫素級分析
• 訓練： 單一高精度模式
• 速度： 訓練時間較長，可實現精確的畫素分類
• 精度： 高精度，適合細緻的缺陷對映
• 生產就緒： 針對製造環境進行了最佳化

生產環境中的分割示例

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區域
• 畫素類別：
  • 膠水（黃色畫素）

結果： 黃色高亮顯示 AI模型 檢測到的缺陷，同時顯示原始影象以供參考

間隙尺寸測量（T1 供應商裝配）

任務： 驗證檢測間隙的尺寸是否合適

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，用於教導距離的外觀
  • 良品 - 面積 <100 畫素（透過）
  • 缺陷 - 面積 > 100 畫素（失敗）

結果： 精確測量間隙尺寸，並給出準確的畫素數

噴漆飛濺檢測

任務： 識別表面上的噴漆飛濺

設定：

• ROI： 感興趣區域（ROI）周圍的矩形
• 畫素類別：
  • 黃色畫素，用於教導油漆的外觀

結果： 畫素級的噴漆飛濺檢測

同時檢測多個特徵

分割器可以透過定義獨立的畫素類別同時檢測多個特徵。例如，您可以訓練單個分割器在同一 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標籤塗繪該缺陷型別的畫素來獨立訓練。分割器在一次推理中識別所有缺陷型別，並報告每個畫素屬於哪個類別。

這與分類不同，在分類中，整個 ROI 僅獲得一個標籤。而在分割中，同一影象中可以共存多種缺陷型別，每種缺陷都有其獨立的畫素級遮罩。

對比

方面	分類器	分割器
能告訴您什麼	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	每個類別起始 10-15 張影象	類似，但標註耗時更長
ROI 尺寸	配合小 ROI 效果最佳	更擅長處理較大的 ROI
最適用於	存在/缺失、類別決策	劃痕、汙漬、測量、畫素級檢測

節拍效能

模型型別	檢測速度	最佳應用場景
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	測試與原型驗證

備註

分割模型提供最快的檢測節拍，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 可被標註為幾個類別之一
• 整體狀況評估即可滿足需求
• 預期缺陷位置固定
• 您希望在設定時更快地標註

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
• 生產中最快的節拍至關重要

最適用於： 表面缺陷、間隙測量、覆蓋率驗證、位置可變的瑕疵

如有疑問，請先從分類器開始

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，或需要在較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

分割器在標註期間需要進行畫素級標註，所耗時間遠長於分類器標註。與分類器相比，請為初始設定預留額外時間。如果您有許多區域需要標註，時間投入將快速累積。

512x512 畫素處理限制

分類器和分割器都以最大 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。請儘可能保持 ROI 較小以保留細節，或者如果您需要覆蓋較大區域同時仍能檢測細微缺陷，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夠（無法檢測大區域中的小缺陷，或需要測量），請切換到分割器
3. 在 tools.overview.ai 詢問 AI Assistant。描述您的應用，它將推薦最佳方案

訓練模式摘要

訓練模式	模型型別	生產就緒	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	生產就緒，具有更高的精度
Accurate Segmenter	分割	是	針對生產最佳化的單一高精度模式

OV20i 與 OV80i 對比

• OV20i： 每個程式選擇一種，分類器或分割器
• OV80i： 支援多模型。可在同一程式中對同一捕獲組合使用兩種模型