跳到主要內容

AI 驅動文件

您想了解什麼？

隨著時間的推移改進您的模型

您的檢測系統已部署。現在，如何在條件變化、新缺陷型別出現或規格演變時保持其良好效能？

庫：您的持續改進工具​

相機拍攝的每一張影象都會儲存在庫中，連同 AI 的預測和置信度評分。這是您改進的金礦。

庫檢視：瀏覽捕獲，按預測和置信度過濾

找出 AI 錯誤的地方​

  1. 轉到庫
  2. 瀏覽最近的捕獲
  3. 查詢兩個方面：
    • 漏檢： AI 的預測明顯錯誤的影象（每個縮圖左上角的覈取方塊）
    • 低置信度預測： 在任何影象上向下滾動以檢視置信度值。低置信度 = AI 不確定
錯誤標記的影象可能會顯著影響準確性

在小資料集中，一張錯誤標記的影象會產生過大的影響。僅有 5 張訓練影象時，單個錯誤標籤會損壞 20% 的資料。在重新訓練之前，始終仔細檢查標籤，尤其是在資料集較小的情況下。

使用目標資料重新訓練​

  1. 選擇 AI 錯誤或不確定的影象
  2. 點選**“新增到活動配方訓練集”**
  3. 如有需要，修正標籤
  4. 點選重新訓練

將庫中的影象新增到您的訓練集中

專注於漏檢和低置信度捕獲，而不是隨機的新資料。這是提高效率的最佳方式。

使用後設資料檢視器檢查儲存的影象

如果您需要檢視 AI 在特定影象上的確切預測，請將儲存的 JPEG 上傳到[後設資料檢視器][[[URL_2]]。OV 相機將預測結果、置信度評分和相機設定直接嵌入到每張捕獲的影象中。

分類器改進工作流程​

  1. 審查庫中的影象 → 找出錯誤和低置信度預測
  2. 將它們新增到訓練集中
  3. 如有需要，重新標記
  4. 重新訓練
  5. 使用Haystack視覺化探索您的資料，快速找到大規模錯誤標記的影象

分割器改進工作流程​

分割器需要更長時間進行標記（畫素級註釋），因此有一個快捷方式：

  1. 將問題影象匯入分割配方
  2. 點選生成預測，讓模型儘可能預標記新影象
  3. 修正預測，而不是從頭開始標記（速度更快）
  4. 重新訓練
使用 Haystack 大規模識別錯誤標記

Haystack 是一個視覺化資料探索工具，允許您瀏覽整個訓練集並快速識別看起來不合適的影象。隨著資料集超過 50-100 張影象，手動審查變得不切實際。Haystack 將相似影象聚集在一起，使錯誤標記的異常值在視覺上突出。

減少分割中的假陽性​

如果您的分割器捕捉到許多不應存在的小隨機斑點，您可以使用兩個強大的工具：從透過/失敗邏輯中過濾小斑點，以及訓練模型更好地理解“正常”是什麼樣子。

過濾掉小的斑點，設定最小尺寸閾值​

最快的解決方案是告訴系統忽略小於某個畫素面積的斑點。小的噪聲斑點通常與真實缺陷相比非常微小，因此尺寸過濾器可以在不影響實際檢測的情況下消除它們。

在基本模式 (IO 邏輯) 中： 在合格/不合格設定中設定 最小斑點面積 閾值。任何小於此畫素計數的斑點將被完全忽略。可以從 50 畫素的值開始，並向上調整，直到噪聲消失但真實缺陷仍然被觸發。

在高階模式 (Node-RED) 中： 在你的函式節點中透過 blob.pixel_count 過濾斑點。例如，要忽略任何小於 50 畫素的斑點：

const minBlobSize = 50;
const allBlobs = msg.payload.segmentation.blobs;
const realBlobs = allBlobs.filter(blob => blob.pixel_count >= minBlobSize);
const results = realBlobs.length <1; // Pass if no real blobs remain
msg.payload = results;
return msg;

根據你的應用調整 minBlobSize 值。檢視除錯輸出中噪聲斑點與真實缺陷的畫素計數，以找到合適的截止值。

將良好影象新增到訓練集中​

這是減少誤報檢測的最有效方法，也是人們最常忽視的方法。

問題：如果你只用包含缺陷的影象進行訓練，模型從未學習過乾淨部件的樣子。它開始在正常表面紋理、光照漸變和微小變化中看到“缺陷”——所有你正在對抗的小隨機斑點。

如何解決：

  1. 前往 庫，找到 良好部件 的影象——沒有缺陷的乾淨表面
  2. 將這些影象新增到訓練集 (新增到活動配方訓練集)
  3. 在標記檢視中，選擇 ROI，但 不要新增任何缺陷註釋。只需按原樣包含它們，無需塗抹標記
  4. 重新訓練模型

透過向模型展示“正常”樣子的示例，你在教它停止將普通表面變化標記為缺陷。這大大減少了噪聲。

指導原則：

  • 從 3-5 張良好影象開始並重新訓練。測試結果
  • 如果噪聲仍然存在，新增更多。目標是至少 20-30 張良好影象與缺陷影象混合
  • 如果你的初始訓練集僅包含缺陷影象，這一點尤其重要
  • 確保良好影象覆蓋生產中你所見的正常變化範圍（不同的光照、輕微的顏色變化、表面紋理）
這是減少噪聲分割器的首要解決方案

十有八九，當有人抱怨隨機小斑點到處出現時，根本原因是訓練集中沒有良好影象。新增它們並重新訓練——改善通常是立即且顯著的。

減少噪聲的其他建議​

  • 改善光照一致性。 不一致的光照會產生陰影和高光，模型可能會將其誤認為缺陷。確保內建 LED 配置正確，外部光源不會造成眩光或陰影移動
  • 檢查模板對齊。 如果對齊器工作不良，ROI 在捕獲之間會發生偏移。模型每次看到不同的背景區域，這會增加噪聲。驗證對齊是否穩定
  • 使用準確（生產）訓練模式。 開發模式快速但精度較低。在判斷分割質量之前，始終在生產模式下重新訓練
  • 逐步迭代。 新增 3-5 張良好影象，重新訓練，測試。重複直到結果乾淨。這比一次性新增 50 張影象並希望得到最佳結果要快得多

理念​

  • 不斷迭代。 AI 具有很高的學習能力，隨著影象數量的增加（50、100，甚至 500+），它會不斷改進。
  • 針對性地解決失敗。 不要隨意新增資料。新增 AI 遇到困難的案例。
  • 定期檢查錯誤標記。 隨著資料集的增長，錯誤標記變得更難發現，但仍然會影響準確性。

利用 GenAI 工具加速​

在 tools.overview.ai 上的三個 AI 驅動工具可以顯著加快您的改進週期：

  • 缺陷工作室 -- 生成逼真的合成缺陷影象，速度比等待真實缺陷快多達 10,000 倍。
  • 整合構建器 -- 從簡單的英語描述構建生產就緒的 Node-RED 流程。
  • AI 專家助手 -- 隨時獲得關於任何相機問題的專家指導。
GenAI 工具包優勢

這三種工具結合在一起，可以將您的部署時間從幾天縮短到幾小時。生成合成訓練資料，而不是等待真實缺陷，透過描述您想要的內容來構建整合，並在無需等待支援票的情況下獲得即時專家指導。

→ 檢視完整的 GenAI 工具包指南