分類器 vs. 分割器

這是建立程式時最常見的問題。下面是一個清晰的判斷框架。

互動深度解析 — 實際演示

如需透過互動式模擬器、圖表和實操演練場瞭解每種模型型別的視覺化講解，請參閱：

• 理解分類器 — 型別、類別和 ROI 的巢狀方式；分類器實時演練場
• 理解分割器 — 畫素級掩膜、調色盤、計數與測量；繪畫式分割器演練場

分類器

分類器檢視每個 ROI 裁剪區域，並將其分配到某個類別：pass、fail、存在、缺失、有劃痕、良好，或您定義的任何類別。

可以將其想象成把卡片分到不同的堆裡。 AI 檢視整個裁剪影象，然後說"這張歸入 pass 堆"或"這張歸入 fail 堆"。

何時使用分類器：

• 需要進行 pass/fail 或多類別判定
• ROI 足夠小，能清晰顯示缺陷
• 標註速度重要（分類器標註速度更快）
• 檢查特徵的存在/缺失
• 示例：螺絲存在/缺失、聯結器到位/未到位、標籤正確/錯誤

如需結合互動式演練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 為任一方法生成逼真的合成缺陷影象 — 用簡單的英文描述缺陷，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

• 用途： 快速搭建與測試
• 使用場景： 快速原型和概念驗證
• 速度： 訓練時間較短
• 準確度： 精度較低
• 生產就緒： 不建議用於生產環境

Accurate/Production Classifier

• 用途： 用於生產環境的檢測
• 使用場景： 最終部署與製造
• 速度： 訓練時間較長
• 準確度： 精度更高
• 生產就緒： 獲得最佳結果的主要訓練模型

來自生產環境的分類示例

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： 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 — 螺母正確就位或鬆動

軸座裝配檢驗（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： 元件被分類為正確安裝或有缺陷

散熱器翅片檢測（T1 供應商製造）

任務： 檢查單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
• 類別：
  • Good - 未損壞的翅片（Straight）
  • Defect - 彎曲/損壞的翅片（Bent）

結果： 分類器區分良好和不良翅片

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。

可以將其類比為用馬克筆做高亮標註。 AI 會精確圈出缺陷所在的位置，而不僅僅是判斷缺陷是否存在。

在以下情況下使用分割器：

• 需要畫素級缺陷定位（劃痕具體在哪裡？）
• 需要測量缺陷的大小或面積
• ROI 需要很大，但要查詢的是小缺陷
• 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

如需透過互動式 playground 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

• 用途： 適用於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，以實現精確的畫素分類
• 精度： 高精度的詳細缺陷對映
• 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，原始影象作為參考一同顯示

間隙尺寸測量（T1 供應商裝配）

任務： 驗證檢查間隙的尺寸是否正確

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：
  • 藍色畫素教學間距的樣子
  • 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，並提供準確的畫素計數

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：
  • 黃色畫素教學油漆的樣子

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類別來同時檢查多個特徵。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的標籤塗繪該缺陷型別的畫素來獨立訓練。分割器在一次處理過程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，分類是為整個 ROI 分配單一標籤。在分割中，多種缺陷型別可以共存於同一影象中，且每種缺陷都有自己的畫素級掩碼。

對比

方面	分類器	分割器
它能告訴你什麼	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：繪製缺陷畫素
所需資料	每類 10-15 張影象即可開始	相似，但標註耗時更長
ROI 大小	在 ROI 較小時效果最佳	能更好地處理較大的 ROI
最適用於	有無判定、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	測試和原型開發

備註

分割模型提供最快的檢測節拍時間，使其成為高吞吐量生產環境的理想選擇。

何時選擇每種模型

在以下情況選擇分類：

• 你需要簡單的好/壞分類
• 整個 ROI 可以被標註為幾個類別之一
• 整體狀況評估就足夠了
• 預期缺陷位置固定
• 你希望在設定過程中更快地標註

最適用於： Go/No-Go 決策、元件有無判定、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
• 需要精確的位置對映
• 生產中最快節拍時間至關重要

最適用於： 表面缺陷、間隙測量、覆蓋驗證、位置可變的瑕疵

拿不準時，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。如果以後需要畫素級細節，你隨時可以切換到分割器。從簡單入手可讓你快速驗證設定。

分割器需要更多設定時間

分割器在標註期間需要畫素級註釋，這比為分類器選擇一個類別要耗時得多。與分類器相比，請為初始設定和標註預留額外時間，特別是當你有大量訓練影象時。

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。任何大於此尺寸的 ROI 在 AI 處理之前都會被降取樣，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，或者如果你需要覆蓋較大區域同時仍能檢測細微缺陷，請使用具有較大 ROI 的分割器。

重疊區域

確實存在重疊。許多檢測任務兩種方法都能勝任。如果你不確定：

1. 先從分類器開始。 它設定更簡單，標註更快
2. 如果你發現分類器不夠精確（無法在大區域中檢測小缺陷，或你需要測量），則切換到分割器
3. 在 tools.overview.ai 詢問 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	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	針對生產最佳化的單一高精度模式

OV20i 與 OV80i 對比

• OV20i： 每個程式只能選擇一種模型，分類器或分割器
• OV80i： 支援多模型。可在單個程式中對同一捕獲同時執行分類器和分割器。例如，使用分類器 ROI 檢查零部件是否存在（透過/失敗），同時使用分割器 ROI 檢測同一零件的表面缺陷。兩個模型在每次觸發時都會執行，併產生獨立的結果。