分类器 vs 分割器
分类器 vs 分割器
本页介绍 OV80i 系统中可用的两种 AI 模型类型，帮助您为检测需求选择合适的方法。
两种项目类型
OV80i 提供两种不同的 AI 模型方法，适用于不同的检测需求：
- 分类 (Classification) — “猫和狗”方法
- 分割 (Segmentation) — “找瓦尔多”方法
分类模型
什么是分类？
创建分类配方，用于训练深度学习模型，根据图像的视觉特征将其分类到不同类别。
“猫和狗”方法：
分类适用于图像属于有限离散状态的项目（例如，好与坏，但类别数量不限）。
分类训练模式
分类提供两种不同的训练方法：
⚡ 快速分类器
- 目的： 快速设置和测试
- 使用场景： 快速原型和概念验证
- 速度： 训练时间较短
- 准确度： 精度较低
- 生产就绪： ❌ 不推荐用于生产
准确/生产分类器
- 目的： 生产就绪的检测
- 使用场景： 最终部署和制造
- 速度： 训练时间较长
- 准确度： 精度较高
- 生产就绪： ✅ 主要训练模型，效果最佳
生产中的分类示例
示例 1：松动螺母检测（OEM 装配）
任务： 识别机械装配中的松动螺母
设置：
- ROI： 螺母区域的矩形
- 类别：
- ✅ 良品 - 螺母紧固合格（通过 100%）
- ❌ 缺陷 - 螺母松动（失败 98%）
结果： 二元判定 — 螺母是否正确安装或松动
示例 2：轴安装验证（OEM 装配）
任务： 识别部分安装的轴
设置：
- ROI： 轴安装区域的矩形
- 类别：
- ✅ 良品 - 轴完全安装
- ❌ 缺陷 - 轴部分安装
- ❌ 缺陷 - 轴完全未安装
结果： 组件被分类为正确安装或有缺陷
示例 3：散热器销钉检测（T1 供应商制造）
任务： 检查单个散热器销钉是否有凹痕
设置：
- ROI： 散热器销钉阵列的矩形
- 类别：
- ✅ 良品 - 未损坏销钉（直）
- ❌ 缺陷 - 弯曲/损坏销钉（弯曲）
结果： 分类器区分良品和不良销钉
分割模型
什么是分割？
创建分割配方，训练深度学习模型对图像进行像素级分类，基于标注的缺陷进行分割。通过像素级操作，该工具适用于需要更细粒度标签控制的检测。
“找瓦尔多”方法：
分割适用于缺陷形状和大小多变，且可能出现在多处位置的项目（例如，寻找划痕和凹痕）。
分割训练模式
仅准确/生产模式
- 目的： 生产就绪的像素级分析
- 训练： 单一高精度模式
- 速度： 训练时间较长，像素分类精确
- 准确度： 高精度，适合详细缺陷映射
- 生产就绪： ✅ 针对制造环境优化
生产中的分割示例
示例 1：表面缺陷检测（T1 供应商装配）
任务： 识别胶水溢出
设置：
- ROI： 阀门表面矩形区域
- 像素类别：
- 胶水（黄色像素）
结果： 黄色高亮显示 AI 模型检测到的缺陷，原始图像供参考
示例 2：间隙尺寸测量（T1 供应商装配）
任务： 验证检测间隙尺寸是否合适
设置：
- ROI： 间隙区域矩形
- 测量逻辑： 基于像素面积值的通过条件
- 类别：
- ✅ 良品 - 面积 < 100 像素（通过）
- ❌ 缺陷 - 面积 > 100 像素（失败）
结果： 精确测量间隙尺寸，提供准确像素计数
示例 3：油漆飞溅检测
任务： 识别是否存在油漆飞溅
设置：
- ROI： 泡沫安装区域矩形
- 像素类别：
- 黄色像素用于教导油漆特征
结果： 像素级检测油漆飞溅
何时选择哪种模型
选择分类当：
离散状态判定：
- ✅ 需要简单的好/坏分类
- ✅ 整个 ROI 可标记为多个类别之一
- ✅ 整体状态评估足够
- ✅ 预期缺陷位置固定
- ✅ 检测时可接受较快的周期时间
适用场景： 通过/不通过判定、组件有无、整体质量评估
选择分割当：
可变位置分析：
- ✅ 缺陷可能出现在检测区域任意位置
- ✅ 需要测量缺陷大小或面积
- ✅ 一张图像中可能存在多种缺陷类型
- ✅ 需要精确位置映射
- ✅ 对生产最快周期时间有要求
适用场景： 表面缺陷、间隙测量、覆盖率验证、位置多变的缺陷
性能比较
周期时间性能
| 模型类型 | 检测速度 | 最佳应用场景 |
|---|---|---|
| 分割 | ⚡ 最快 | 高速生产线 |
| 分类（准确） | 较慢 | 质量关键检测 |
| 分类（快速） | 中等 | 测试和原型开发 |
💡 性能提示： 分割模型提供最快的检测周期时间，适合高通量生产环境。
训练模式总结
分类训练选项
- 快速模式： 快速设置，适合测试（非生产）
- 准确模式： 生产就绪，高精度
分割训练选项
- 仅准确模式： 单一高精度模式，优化生产