分類器 vs. 分割器

這是建立程式時最常見的問題。以下是清晰的判斷框架。

檢視實際效果 — 互動式深度講解

如需透過互動式模擬器、圖示和動手實驗場對每種模型型別進行視覺化講解，請參閱：

• 理解分類器 — Types、Classes 和 ROI 如何巢狀；實時分類器實驗場
• 理解分割器 — 畫素級蒙版、調色盤、計數與測量；繪圖風格的分割器實驗場

分類器

分類器檢視每個 ROI 裁剪區域，並將其歸入某個類別：透過、失敗、存在、缺失、劃傷、良好，或您定義的任何類別。

可以把它想象成將卡片分入不同堆。 AI 檢視整個裁剪影象並判斷"這個歸入透過堆"或"這個歸入失敗堆"。

何時使用分類器：

• 您需要透過/失敗或多類判定
• 您的 ROI 足夠小，能清晰顯示缺陷
• 標籤速度很重要（分類器標註速度快得多）
• 您要檢查特徵的存在/缺失
• 示例：螺釘存在/缺失、聯結器已就位/未就位、標籤正確/錯誤

如需結合互動式實驗場進行更深入的講解，請閱讀 理解分類器。

需要訓練影象？

使用 Defect Creator Studio 為任一方案生成逼真的合成缺陷影象 — 用簡單的英語描述缺陷，即可在數秒內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

• 目的： 快速搭建與測試
• 使用場景： 快速原型開發與概念驗證
• 速度： 訓練時間較短
• 精度： 較低
• 生產就緒： 不建議用於生產

Accurate/Production Classifier

• 目的： 生產就緒的檢測
• 使用場景： 最終部署與製造
• 速度： 訓練時間較長
• 精度： 較高
• 生產就緒： 主要訓練模型，可獲得最佳結果

來自生產現場的分類示例

鬆動螺母檢測（OEM 裝配）

任務： 識別機械裝配中鬆動的螺母

設定：

• ROI： 圍繞螺母區域的矩形
• Classes：
  • 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
• Classes：
  • 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

散熱器翅片檢測（一級供應商加工）

任務： 檢查每個散熱器翅片是否有凹陷

設定：

• ROI： 覆蓋散熱器翅片陣列的矩形
• Classes：
  • Good - 未損壞的翅片（Straight）
  • Defect - 彎曲/損壞的翅片（Bent）

結果： 分類器區分良好翅片與不良翅片

分割器

分割器在畫素級別檢查每個 ROI 裁剪圖，並精確識別哪些畫素屬於缺陷。

可以將其視為用記號筆進行高亮標註。 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。

在以下情況使用分割器：

• 您需要畫素級的缺陷定位（劃痕究竟在哪裡？）
• 您需要測量缺陷的尺寸或面積
• 您的 ROI 需要較大，但您要查詢的是小缺陷
• 您需要在一個區域中統計多個缺陷
• 示例：表面劃痕、汙漬、裂紋、焊接質量、尺寸測量

以與檢測時相同的尺度訓練分割器

分割器只會學習它所看到的缺陷的尺寸和紋理。如果您用小顆粒汙染物訓練它，當生產線上出現同類大塊缺陷時，可能只有邊緣或零散區域被高亮——缺陷的主體部分將不會被遮罩標記。解決方法是在訓練樣本中涵蓋您預期出現的全部缺陷尺寸範圍。沒有大尺寸缺陷樣本？可以使用 Defect Creator Studio 生成合成樣本。

如需結合互動式 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

• 目的： 可用於生產的畫素級分析
• 訓練： 單一的高準確度模式
• 速度： 較長的訓練時間以實現精確的畫素分類
• 準確度： 用於細緻缺陷對映的高精度
• 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
• 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，原始影象作為參考顯示

間隙尺寸測量（T1 供應商裝配）

任務： 驗證檢測的間隙是否符合規定尺寸

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
• 類別：
  • 藍色畫素用於教 AI 識別距離的樣子
  • 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
• 畫素類別：
  • 黃色畫素用於教 AI 識別油漆的樣子

結果： 畫素級的油漆飛濺檢測

同時檢測多個特徵

分割器可以透過定義獨立的畫素類別來同時檢測多個特徵。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）。每個類別透過使用不同的標籤塗繪該缺陷型別的畫素來獨立訓練。分割器會在單次處理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，分類中整個 ROI 只獲得單個標籤。而透過分割，同一影象中可以同時存在多種缺陷型別，每種型別都有其獨立的畫素級遮罩。

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：每張影象選擇一個類別	高：繪製缺陷畫素
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	在小 ROI 下表現最佳	更適合處理較大的 ROI
最適合	存在/缺失、類別判斷	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	質量要求嚴格的檢測
分類（快速）	中等	測試與原型開發

備註

分割模型提供最快的檢測節拍，是高吞吐量生產環境的理想選擇。

何時選擇各類模型

在以下情況選擇分類：

• 你只需要簡單的良/不良分類
• 整個 ROI 可以被標註為幾個類別之一
• 整體狀態評估已足夠
• 預期缺陷位置固定
• 你希望在設定過程中更快地完成標註

最適合： Go/No-Go 判斷、元件存在/缺失、整體質量評估

在以下情況選擇分割：

• 缺陷可能出現在檢測區域的任何位置
• 你需要測量缺陷的大小或面積
• 一張影象中可能存在多種缺陷型別
• 需要精確的位置定位
• 最快的節拍對生產至關重要

最適合： 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，先從分類器開始

分類器設定更快、所需訓練影象更少，且適用於大多數透過/失敗檢測。如果之後需要畫素級細節，仍可隨時切換為分割器。從簡單方案入手可以讓你快速驗證設定。

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，相比為分類器選擇一個類別要耗時得多。相比分類器，請為初始設定和標註預留更多時間，尤其是在訓練影象較多的情況下。

512x512 畫素處理限制

分類器和分割器均以最大 512x512 畫素的解析度處理 ROI 裁剪影象。任何大於此尺寸的 ROI 都會在 AI 處理之前被縮小，這意味著小缺陷可能會變得不可見。請儘量保持 ROI 小以保留細節，或者如果你需要覆蓋大範圍同時檢測細小缺陷，請使用帶有較大 ROI 的分割器。

重疊區域

確實存在重疊。許多檢測任務使用任一方式都能完成。如果你不確定：

1. 先從分類器開始。 設定更簡單，標註更快
2. 如果發現分類器精度不夠（無法在大區域中檢測小缺陷，或者需要測量），再切換為分割器
3. 在 tools.overview.ai 上諮詢 AI Assistant。描述你的應用，它會推薦最佳方案

訓練模式摘要

訓練模式	模型型別	生產就緒	備註
Fast Classifier	分類	否	快速設定，適用於測試和原型開發
Accurate Classifier	分類	是	生產就緒，精度更高
Accurate Segmenter	分割	是	針對生產最佳化的單一高精度模式

OV20i 與 OV80i

• OV20i： 每個程式選擇一種模型，分類器或分割器二選一
• OV80i： 支援多模型。可在單個程式內對同一捕獲同時執行分類器和分割器。例如，使用分類器 ROI 檢查元件存在性（透過/失敗），同時使用分割器 ROI 檢測同一零件上的表面缺陷。兩個模型在每次觸發時都會執行併產生獨立的結果。