AI 驅動文件
您想了解什麼？
分類器與分割器
本頁面解釋了OV80i系統中可用的兩種AI模型型別，並幫助您選擇適合您檢查需求的方法。
兩種專案型別
OV80i為不同的檢查需求提供了兩種獨特的AI模型方法：
- 分類 - “貓與狗”方法
- 分割 - “沃爾多在哪裡？”方法
分類模型
什麼是分類？
建立一個分類配方，以訓練深度學習模型根據影象的視覺特徵將其分類為不同的類別。
“貓與狗”方法： 分類最適合於影象可以處於離散數量狀態之一的專案（例如，良好與不良，但可以有任意數量的類別）。
分類訓練模式
分類提供兩種不同的訓練方法：
⚡ 快速分類器
- 目的： 快速設定和測試
- 用例： 快速原型和概念驗證
- 速度： 更快的訓練時間
- 準確性： 精度較低
- 生產就緒： ❌ 不推薦用於生產
準確/生產分類器
- 目的： 生產就緒的檢查
- 用例： 最終部署和製造
- 速度： 較長的訓練時間
- 準確性： 精度較高
- 生產就緒： ✅ 主要訓練模型以獲得最佳結果
生產中的分類示例
示例 1：鬆動螺母檢測（OEM組裝）
任務： 識別機械元件中的鬆動螺母
設定：
- ROI： 包圍螺母區域的矩形
- 類別：
- ✅ 良好 - 正確擰緊的螺母（透過100%）
- ❌ 缺陷 - 鬆動的螺母（失敗98%）
結果： 二元決策 - 螺母是否正確就位或鬆動
示例 2：軸就位驗證（OEM組裝）
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：
- ✅ 良好 - 完全就位的軸
- ❌ 缺陷 - 部分就位的軸
- ❌ 缺陷 - 完全脫離的軸
結果： 元件被分類為正確安裝或缺陷
示例 3：散熱器銷釘檢查（T1供應商製造）
任務： 檢查單個散熱器銷釘的凹陷
設定：
- ROI： 覆蓋散熱器銷釘陣列的矩形
- 類別：
- ✅ 良好 - 未損壞的銷釘（直）
- ❌ 缺陷 - 彎曲/損壞的銷釘（彎）
結果： 分類器區分良好和不良的銷釘
分割模型
什麼是分割？
建立一個分割配方，以訓練深度學習模型對影象進行分割，根據標記的缺陷在畫素級別進行分類。透過在畫素級別操作，該工具對於需要更細粒度標籤控制的檢查非常有用。
“沃爾多在哪裡？”方法： 分割最適合於缺陷可以採取多種形狀和大小，但出現在多種位置的專案（例如，尋找劃痕和凹陷）。
分割訓練模式
準確/僅限生產
- 目的： 生產就緒的畫素級分析
- 訓練： 單一高精度模式
- 速度： 更長的訓練時間以實現精確的畫素分類
- 準確性： 高精度用於詳細缺陷對映
- 生產就緒： ✅ 針對製造環境進行了最佳化
來自生產的分割示例
示例 1：表面缺陷檢測（T1 供應商組裝）
任務： 識別膠水溢位
設定：
- ROI： 瓶閥表面周圍的矩形
- 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
示例 2：間隙尺寸測量（T1 供應商組裝）
任務： 驗證檢查間隙的正確尺寸
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：
- ✅ 良好 - 面積 <100 畫素（透過）
- ❌ 缺陷 - 面積 > 100 畫素（失敗）
結果： 精確的間隙尺寸測量，包含確切的畫素計數
示例 3：油漆飛濺
任務： 確認沒有油漆飛濺
設定：
- ROI： 覆蓋泡沫安裝區域的矩形
- 畫素類別：
- 黃色畫素用於教導油漆的外觀
結果： 油漆飛濺的畫素級檢測
何時選擇每種模型
選擇分類時：
離散狀態決策：
- ✅ 需要 簡單的好/壞分類
- ✅ 整個 ROI 可以標記為 幾類之一
- ✅ 整體狀態評估 足夠
- ✅ 預期有 固定缺陷位置
- ✅ 在檢查過程中 接受更快的週期時間
最佳適用： Go/No-Go 決策，元件存在/缺失，整體質量評估
選擇分割時：
可變位置分析：
- ✅ 缺陷可以 出現在檢查區域的任何地方
- ✅ 需要 測量缺陷的大小或面積
- ✅ 一幅影象中可能存在 多種缺陷型別
- ✅ 需要 精確的位置對映
- ✅ 最快的週期時間 對生產至關重要
最佳適用： 表面缺陷、間隙測量、覆蓋驗證、可變位置缺陷
效能比較
週期時間效能
| 模型型別 | 檢查速度 | 最佳使用案例 |
|---|---|---|
| 分割 | ⚡ 最快 | 高速生產線 |
| 分類（準確） | 較慢 | 質量關鍵檢查 |
| 分類（快速） | 中等 | 測試和原型 |
備註
分割模型提供最快的檢查週期時間，使其非常適合高產量生產環境。
訓練模式摘要
分類訓練選項
- 快速模式： 快速設定以進行測試（未準備好生產）
- 準確模式： 生產就緒，具有更高的精度
分割訓練選項
- 僅準確模式： 單一高精度模式，針對生產進行了最佳化