AI 驅動文件
您想了解什麼？
首個配方建立
本深入探討解釋了什麼是配方，概述了分類與分割之間的區別，並提供了建立配方的逐步指導。它還包括影象設定配置、模板影象捕獲和對齊設定、ROI 最佳化、資料收集和 AI 訓練，以及影象增強配置的詳細操作指南。
檢視此主題的實際操作：如何在幾分鐘內建立分割配方
學習目標
透過本次深入探討，您將瞭解：
- 什麼是配方
- 分類與分割的區別 - 以及何時使用每種方法
- 如何建立配方
- 如何配置影象設定
- 如何捕獲模板影象並配置對齊器
- 什麼是 ROI（感興趣區域）以及如何最佳化它們
- AI 訓練的資料收集
- 配方測試和驗證
什麼是配方？
- 一組配置好的指令，告訴相機如何檢查特定的零件或產品。
- 定義相機設定，包括曝光、對焦和照明引數，以確保一致的影象捕獲。
- 包含處理邏輯，如 ROI 定義、對齊器、分類或分割類別。
- 儲存輸入/輸出配置，以便與自動化系統整合，實現合格/不合格或高階訊號。
- 可以儲存和重用，以確保在不同班次、生產線或設施之間進行一致的檢查。
分類與分割
定義
- 分類：識別 ROI 中物件的型別
- 分割：定位和分析影象/ROI 中的區域
示例
| 影象分類 | 影象分割 | 影象分類 | 影象分割 |
|---|---|---|---|
| 什麼是羊？ | 哪些畫素屬於哪個物件？ | 這塊披薩是可接受的還是有缺陷的？ | 每片香腸在哪裡？ |
 |  |  |  |
關鍵比較
| 分類 | 分割 | |
|---|---|---|
| 速度 | 速度取決於影象設定和複雜性。通常在簡單設定下高效且快速 | 最佳化後可以與分類一樣快甚至更快，尤其是在精簡模型下 |
| 準確性 | 適用於整體合格/不合格或零件型別識別 | 對於精確缺陷定位具有更高的準確性 |
| 複雜性 | 簡單設定和維護；引數較少 | 複雜 - 需要更多資料、標註和調整 |
| 資料需求 | 低 - 需要較少的標註影象 | 中等 - 需要許多具有詳細畫素精確標註的影象 |
| 用例 | 零件存在、方向、基本質量檢查、零件插入/未插入等 | 表面缺陷、細微特徵檢查、多缺陷檢測、計數、測量等 |
建立和匯出配方
使用配方旁邊的 匯出配方 按鈕匯出單個配方。
使用螢幕頂部的 匯出 按鈕一次性匯出多個配方。
使用螢幕頂部的 匯入 按鈕匯入配方。
請記住： 每個配方一次只支援一種檢查型別，要麼是分割，要麼是分類。在開始設定之前選擇正確的型別。
影象設定
影象旋轉
- 它是什麼： 旋轉影象（0°或180°）。
- 何時使用： 如果相機以角度安裝，但您希望在介面中以另一種方式顯示影象。
如果需要將影象旋轉90°，請旋轉相機。
增益
- 它是什麼： 人工數字亮度增強影象（類似於相機的ISO）。
- 效果：
- 較高增益 → 影象更亮，但會增加 噪聲（顆粒感）。
- 較低增益 → 影象更乾淨，但需要良好的照明。
| 高增益 | 低增益 |
|---|---|
 |  |
| 更亮且噪聲較多 | 更暗且噪聲較少 |
僅在調整曝光或照明不可能的情況下增加增益。
模板影象和對齊
跳過對齊器
- 它是什麼： 在檢查過程中關閉對齊步驟。
- 何時使用： 如果部件在影象中始終處於相同位置和方向。
模板區域
- 它是什麼： 定義用於對齊的模板影象區域。
- 矩形： 繪製一個矩形感興趣區域。
- 圓形： 繪製一個圓形感興趣區域。
- 忽略模板區域： 排除某些區域以避免分散注意力的圖案或無關特徵。
- 最佳使用： 幫助系統僅關注最具特徵的部件特徵以實現準確對齊。
旋轉範圍
- 它是什麼： 設定系統在將部件與模板匹配時可以容忍的旋轉量（以度為單位）。
- 示例： 設定±20°允許部件稍微旋轉但仍然被檢測到。
- 何時調整： 如果部件在生產過程中傾向於旋轉，則增加；對於高度一致的方向，則減少。
靈敏度
- 它是什麼： 控制系統在實時影象和模板之間尋找匹配的精細程度。
- 效果：
- 高靈敏度 → 檢測更細微的細節，適用於複雜部件。
- 較低靈敏度 → 減少誤匹配，但可能會錯過細微特徵。
置信度閾值
- 定義： 設定系統接受檢測所需的最低置信度分數。
- 效果：
- 較高的閾值 → 較少的誤報，但可能會錯過邊緣匹配。
- 較低的閾值 → 更多的檢測，但增加誤報的風險。
從適中的值開始，並根據測試結果進行調整。
尺寸不變性
- 定義： 允許系統檢測稍大或稍小於原始模板影象的部件。
- 啟用時機： 如果部件尺寸可能因定位、距離變化或製造公差而略有變化。
實時預覽圖例
1. 一個 可配置的邊界框，定義在觸發期間監控的 相機視場 FOV 的特定區域。
- 目的： 確保相機 僅關注相關區域，忽略不必要的背景區域。
- 最佳使用：
- 對於 移動物體，確保部件始終完全位於檢測區域內。
- 透過減少分析的影象資料量來 最佳化處理速度。
2. 一個視覺紅點，顯示影象中所有定義的 ROI（興趣區域）的 中心點。
- 目的： 幫助您 對齊和定位搜尋區域 相對於部件或相機檢視。
3. 綠色線條 表示檢測到物體的邊緣。
如果您看到線條變為紅色，請嘗試增加 ROI 大小、調整 ROI 或提高靈敏度。
ROI（興趣區域）定義與最佳化
檢查型別
- 定義： 定義正在執行的 檢查型別 並將相似的 ROI（興趣區域）分組。
- 示例： “孔”用於檢查部件中孔的存在、大小或質量。
- 主要功能：
- 新增檢查型別： 為不同的檢查需求建立新類別。
- ROI 數量： 顯示當前分配給該檢查型別的 ROI 數量。
變換
- 定義： 調整所選 ROI 的 位置和幾何形狀 以實現精確對齊和放置。
- 欄位及其目的：
- 高度/寬度： 改變 ROI 的大小。
- X / Y： 沿水平（X）和垂直（Y）軸移動 ROI 的位置。
- 角度： 繞其中心旋轉 ROI。
- 最佳使用： 當您有重複模式時，加快設定速度，例如多個相同的孔。
檢查區域
- 定義: 模板影象中定義的所有 ROI 列表。
- 功能:
- 新增檢查區域: 手動建立新的 ROI。
- 忽略區域: 從處理過程中排除特定區域。
- 編輯: 儲存、刪除或取消。
- 鎖定圖示: 表示鎖定的 ROI，無法移動，需先解鎖。
實時預覽模式
- 定義: 在調整或新增 ROI 後顯示實時反饋。
- 使用場景: 在設定過程中非常適合微調 ROI 的位置和大小。
測試按鈕
- 定義: 基於舊影象執行回測以驗證更改。
- 使用場景: 用於比較當前結果與以前設定的準確性和一致性。
資料收集與 AI 訓練
定義不同的檢查類別，並根據指定的檢查型別標記每個 ROI（見下例）。
使用 標註工具 對影象進行標記/註釋。使用 刷子類別 下拉選單選擇要註釋的類別。當前每個配方的分割類別限制為最多 10 類。
良好資料的重要性
-
垃圾進，垃圾出: AI 模型的效果取決於輸入的資料。低質量或不一致的資料會導致不準確的結果。
-
多樣性很重要: 收集代表所有現實世界變化的資料：不同的班次、光照條件、零件位置和表面條件。
-
質量勝於數量: 較小、乾淨、標註良好的資料集通常比大但嘈雜或不一致的資料集表現更好。
標註基礎:
- 分類: 將整個影象或 ROI 標記為特定類別（例如，“良好”、“損壞”）。
- 分割: 以畫素級精度刷過、勾勒或突出特定感興趣區域（例如，表面上的劃痕位置）。
- 一致性: 使用一致的規則和定義進行標註，以避免在訓練期間的混淆。
常見陷阱
- 資料不足: 樣本過少會導致欠擬合，造成實際效能差。
- 類別不平衡: 一類（例如，許多“良好”零件但缺少缺陷零件）的過度代表會扭曲模型。
- 標註不良: 不正確、不一致或匆忙的標註會導致顯著的準確性下降。
- 忽視環境變化: 當光照、零件方向或表面條件變化時，不更新資料集會導致準確性漂移。
- 未驗證資料: 在訓練前跳過質量檢查通常會導致浪費時間和返工。
資料增強
影象增強 人工修改您的訓練影象 以提高模型的魯棒性。它們模擬現實世界的變化，如亮度變化、旋轉或噪聲，以便模型在不同條件下表現良好。
顏色增強
亮度
- 定義： 調整影象的明亮或黑暗程度。
- 使用場景： 處理生產過程中光照的輕微變化。
在穩定的設定中使用 ±0.1；如果光照變化較大，則增加該值。
對比度
- 定義： 改變明暗區域之間的差異。
- 使用場景： 對於具有紋理或表面變化的零件，有助於模型適應視覺差異。
色調
- 定義： 稍微改變顏色的色調。
- 使用場景： 適用於光照顏色（例如，LED溫度）可能隨時間變化的設定。
飽和度
- 定義： 調整顏色的強度。
- 使用場景： 有助於處理照明變化，使影象看起來更暗淡或更鮮豔。
幾何增強
旋轉範圍
- 定義： 在設定範圍內隨機旋轉影象（例如，±20°）。
- 使用場景： 對於可能稍微旋轉的零件。
避免對通常固定方向的零件進行過度旋轉。
翻轉
- 定義： 水平、垂直或同時翻轉影象。
- 使用場景： 對於對稱零件或在處理過程中可能翻轉的情況很有幫助。
光照與顏色模擬
普朗克（Planckian）
- 定義： 模擬色溫變化（例如，暖光或冷光）。
- 使用場景： 處理不同的光源變化或工作單元。
高斯噪聲
- 定義： 向影象新增細微噪聲。
- 使用場景： 如果您的生產環境存在小的視覺噪聲或相機感測器偽影，可以提高魯棒性。
運動模擬
運動模糊
- 定義： 模擬在捕捉過程中零件移動時產生的輕微模糊。
- 使用場景： 對於可能出現運動模糊的高速生產線至關重要。
機率（prob）
- 定義： 設定在訓練過程中應用每種增強的可能性。
- 示例： 0.50 = 50% 的機會將該變化應用於任何給定的訓練影象。
對於大多數增強，初始值設為 0.5，並根據實際變化進行調整。
訓練引數（分割）
訓練引數（也稱為超引數）是控制 機器學習模型如何從資料中學習 的設定。
學習率
- 定義： 控制模型在訓練過程中更新其內部權重的速度。
- 值（0.003）： 學習率越高，模型學習越快，但過高可能導致不穩定或準確性差。
- 滑塊範圍： 從 10^-4（非常慢）到 10^-1（非常快）。
通常，0.001–0.01 之間的值是分割任務的良好起點。
ROI（感興趣區域）大小
- 定義： 定義在訓練過程中使用的影象區域的大小（寬度 × 高度）。
- 未選中： 預設情況下，模型會根據您的資料自動確定 ROI。
- 選中時： 如果您需要一致的輸入尺寸（例如，所有影象裁剪為 256×256 畫素），可以手動設定寬度和高度。
當您的資料集包含不同大小的影象，並且您希望獲得一致的輸入以提高穩定性、可重複性或與已知模型架構匹配時，請使用固定大小（例如，256×256）。
當您的資料已經具有統一的解析度，或您希望系統根據資料集的特徵最佳化最佳感興趣區域時，讓它自動選擇。
迭代次數（Epochs）
- 定義： 一個 epoch = 對整個訓練資料集的完整遍歷一次。
- 值（100）： 模型將進行 100 次完整的遍歷。
通常增加這個數字會提高準確性，但會花費更長時間。
經驗法則： 在訓練期間監控訓練和驗證損失。如果驗證損失停止下降而訓練損失持續下降，這表明模型正在過擬合，您應該提前停止訓練。
架構
- 定義： 選擇神經網路的大小和複雜性。
- 小型： 訓練速度較快，通常足以滿足大多數資料集的需求。適合快速實驗或較小的資料集。
- 較大模型 可以捕捉更多細節，但在小資料集上可能會過擬合，而小型模型在資料有限時更高效且更具泛化能力。
從小型開始，通常足夠，並幫助您在擴充套件之前更快地迭代。
外部 GPU
聯絡支援以瞭解更多關於外部 GPU 的資訊。
訓練引數（分類）
訓練引數（也稱為超引數）是控制 機器學習模型如何從資料中學習 的設定。
學習率
- 定義： 控制模型在訓練期間更新其內部權重的速度。
- 值（0.003）： 學習率越高，模型學習越快，但過高可能導致不穩定或準確性差。
- 滑塊範圍： 從 10^-4（非常慢）到 10^-1（非常快）。
通常，0.001–0.01 之間的值是分割任務的良好起點。
驗證百分比
- 定義： 定義您資料集中將被保留用於驗證（訓練期間測試）的部分。
- 目的： 驗證資料幫助監控模型在未見示例上的表現，防止過擬合。
- 範圍： 0–50%。
常見選擇為 10–20%。
如果設定為 0%，所有資料將用於訓練，這可能提高訓練準確性，但會使檢測過擬合變得更加困難。
ROI（感興趣區域）大小
- 定義： 定義用於訓練的影象區域的大小（寬度 × 高度）。
- 未選中： 預設情況下，模型會根據您的資料自動確定 ROI。
- 選中時： 如果您需要一致的輸入尺寸（例如，所有影象裁剪為 256×256 畫素），可以手動設定寬度和高度。
當您的資料集中包含不同尺寸的影象，並且您希望獲得一致的輸入以提高穩定性、可重複性或與已知模型架構匹配時，請使用固定大小（例如 256×256）。
當您的資料已經具有統一的解析度，或者您希望系統根據資料集的特徵最佳化最佳感興趣區域時，請讓其自動選擇。
迭代次數（Epochs）
- 定義： 一個 epoch = 對整個訓練資料集的完整遍歷一次。
- 值（100）： 模型將進行 100 次完整遍歷訓練。
通常增加這個數字會提高準確性，但會花費更長時間。
經驗法則： 在訓練期間監控訓練和驗證損失。如果驗證損失停止下降而訓練損失繼續下降，則表明模型過擬合，您應該提前停止訓練。
架構
- 定義： 選擇神經網路的大小和複雜性。
- 小型： 訓練速度更快，通常足以滿足大多數資料集的需求。適合快速實驗或較小的資料集。
從小型開始，通常足夠，並幫助您在擴充套件之前更快地迭代。
| 架構和相機 | 描述 | 推薦用途 |
|---|---|---|
| ConvNeXt-Pico | 針對速度和低記憶體使用最佳化的超輕量模型。 | 適合快速實驗或硬體有限的情況。 |
| ConvNeXt-Nano | 稍大於 Pico；在最小成本下提供更好的準確性。 | 小到中型資料集的良好平衡。 |
| ConvNeXt-Tiny | 提供更好的準確性，同時仍然高效。 | 適合中等資料集和較長的訓練執行。 |
| ConvNeXt-Small | 此列表中功能最強大的變體。更高的容量和準確性。 | 用於大型資料集或需要最大效能時。 |
外部 GPU
聯絡支援以瞭解更多有關外部 GPU 的資訊。