跳到主要內容

AI 驅動文件

您想了解什麼？

持續改進您的模型

您的檢測程式已部署。那麼，當條件變化、出現新的缺陷型別或規格變更時，如何讓它持續保持良好效能？

庫：您的持續改進工具​

相機的每次捕獲都會儲存在庫中，連同 AI 的預測結果和置信度得分。這是您改進模型的金礦。

庫檢視：瀏覽捕獲影象，按預測結果和置信度過濾

找出 AI 判斷錯誤的影象​

  1. 進入庫
  2. 瀏覽最近的捕獲影象
  3. 重點關注兩類內容：
    • 遺漏： AI 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
錯誤標註的影象會顯著影響準確度

小型資料集中一張錯誤標註的影象影響巨大。如果只有 5 張訓練影象，一個錯誤標籤會汙染 20% 的資料。重新訓練前請務必反覆檢查標籤，尤其是資料集較小時。

使用針對性資料重新訓練​

  1. 選擇 AI 判斷錯誤或不確定的影象
  2. 點選 "Add to Active Recipe Train Set"
  3. 如有需要，修正標籤
  4. 點選 Retrain

將庫中影象新增到訓練集

專注於遺漏和低置信度的捕獲影象，而不是隨機的新資料。這是最高效的改進方式。

使用後設資料檢視器檢查已儲存的影象

如果您需要檢視 AI 在特定影象上的預測結果，請將已儲存的 JPEG 檔案上傳至後設資料檢視器。OV 相機會將預測結果、置信度得分和相機設定直接嵌入每張捕獲的影象中。

分類器改進工作流​

  1. 檢視庫中的影象 → 找出錯誤和低置信度的預測
  2. 將其新增到訓練集
  3. 如有需要，重新標註
  4. 重新訓練
  5. 使用 Haystack 直觀探索您的資料，並大規模找出錯誤標註的影象

分割器改進工作流​

分割器的標註耗時較長（畫素級標註），因此有一個快捷方式：

  1. 將問題影象匯入分割程式
  2. 點選 Generate Predictions，讓模型儘可能為新影象預先標註
  3. 修正預測結果而不是從頭開始標註（速度快得多）
  4. 重新訓練
使用 Haystack 大規模發現錯誤標註

Haystack 是一種視覺化資料探索工具，可讓您瀏覽整個訓練集，並快速發現看起來不協調的影象。當資料集超過 50-100 張影象時，手動審查變得不切實際。Haystack 會將相似的影象聚類在一起，使錯誤標註的異常值在視覺上突出顯示。

減少分割中的誤報​

如果您的分割器拾取了大量本不應存在的小型隨機斑點，您有兩種強大的工具可供使用：在透過/失敗邏輯中過濾掉小斑點，以及訓練模型以更好地理解"正常"是什麼樣子。

使用最小尺寸閾值過濾掉小斑點​

最快的修復方法是讓系統忽略低於特定畫素面積的斑點。噪聲斑點幾乎總是比真實缺陷小得多，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 pass/fail 設定中設定 最小斑點面積 閾值。任何小於此畫素數的斑點將被完全忽略。從 50 畫素之類的值開始，逐步向上調整，直到噪聲消失但仍能觸發真實缺陷。

在高階模式 (Node-RED) 中： 在 function 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;

根據您的應用調整 minBlobSize 值。檢視除錯輸出中噪聲斑點與真實缺陷的畫素數對比，以找到合適的截止值。

將良品影象新增到訓練集​

這是減少誤報檢測最有效的單一方法，也是人們最常忽視的方法。

問題在於：如果您只用包含缺陷的影象進行訓練，模型從未學習過乾淨零件的樣子。它會開始將正常的表面紋理、光照漸變和細微變化都視為"缺陷"——也就是您正在對抗的所有小型隨機斑點。

修復方法：

  1. 進入 庫 並查詢 良品 影象——表面乾淨、沒有缺陷的零件
  2. 將這些影象新增到訓練集中 (Add to Active Recipe Train Set)
  3. 在標註檢視中，選擇 ROI，但 不要新增任何缺陷註釋。只需按原樣包含它們，不做任何塗抹標記
  4. 重新訓練模型

透過向模型展示"正常"的樣子，您正在教它不再將普通的表面變化標記為缺陷。這能顯著減少噪聲。

指導原則：

  • 從 10-15 張良品影象開始並重新訓練。測試結果
  • 如果噪聲持續存在，請新增更多。目標是至少 20-30 張良品影象與缺陷影象混合
  • 如果您的初始訓練集只包含帶缺陷的影象，這一點尤其重要
  • 確保良品影象涵蓋您在生產中看到的正常變化範圍（不同的光照、輕微的顏色偏移、表面紋理）
這是嘈雜分割器的首要修復方法

十有八九，當有人抱怨到處出現隨機小斑點時，根本原因是訓練集中沒有良品影象。新增它們並重新訓練——改善通常是立竿見影且顯著的。

減少噪聲的其他提示​

  • 改善光照一致性。 不一致的光照會產生陰影和高光，模型可能誤認為是缺陷。確保內建 LED 配置正確，並且外部光源不會造成眩光或陰影偏移
  • 檢查模板對齊。 如果對齊器工作不佳，ROI 會在多次捕獲之間發生偏移。模型每次看到的背景區域不同，這會增加噪聲。請驗證對齊是否穩定
  • 小步迭代。 新增 10-15 張良品影象，重新訓練，測試。重複直到結果乾淨。這比一次性投入 50 張影象並期望獲得最佳結果要快得多

理念​

  • 持續迭代，永不停止。 AI 擁有強大的學習能力，即使在 50、100 甚至 500+ 張影象之後仍能持續改進
  • 針對性地處理失敗案例。 不要隨意新增資料，而應新增 AI 處理困難的案例
  • 定期檢查錯誤標籤。 隨著資料集的增長，錯誤標籤變得越來越難以發現，但仍會損害準確性

使用 GenAI 工具加速​

tools.overview.ai 上的三款 AI 驅動工具可以顯著加快您的改進週期：

  • Defect Studio —— 生成逼真的合成缺陷影象，速度比等待真實缺陷快 10,000 倍以上
  • Integration Builder —— 透過簡單的英文描述構建可用於生產的 Node-RED 流程
  • AI Expert Helper —— 全天候 24/7 獲取關於相機任何問題的專家指導
GenAI 工具包的優勢

這三款工具結合使用，可將部署時間從數天縮短至數小時。無需等待真實缺陷即可生成合成訓練資料，透過描述需求即可構建整合，無需等待支援工單即可獲得即時專家指導。

→ 檢視完整的 GenAI 工具包指南