跳到主要内容

训练分割器

本指南介绍如何设置和配置 OV80i 的分割功能，以自动检测、测量和分析零件中的特定特征或缺陷。当需要识别不规则形状、测量面积或检测简单分类无法处理的特定模式时，请使用分割功能。

何时使用分割： 表面缺陷、液体溢出、不规则形状、面积测量、图案检测，或任何需要像素级精度的特征。

开始之前​

您需要准备​

  • 已设置并连接的 OV80i 摄像头系统
  • 带有待分割特征的测试零件（例如带有铅笔痕迹的板材）
  • 适合您应用的良好照明条件
  • 15-20 张用于训练的样本图像

步骤 1：创建分割配方​

1.1 新建配方​

  1. 导航至“所有配方” 页面
  2. 点击右上角的 + New Recipe
  3. 输入配方名称： 使用描述性名称，如 "Pencil_Mark_Detection" 或 "Surface_Defect_Segmentation"
  4. 选择配方类型： 从下拉菜单中选择 “Segmentation”
  5. 点击 OK 创建配方

New

1.2 激活配方​

  1. 在列表中找到您的配方（显示为“Inactive”）
  2. 点击 Actions > Activate
  3. 点击 Activate 确认

Activate recipe

✅ 结果： 配方已激活，准备进行配置。

步骤 2：访问配方编辑器​

  1. 点击激活配方旁的 Edit
  2. 点击 Open Editor 确认

Edit

现在您将看到带有分割特定选项的配方编辑器。

步骤 3：配置摄像头设置​

3.1 打开成像配置​

  1. 点击左下角的 Configure Imaging

Configure Image

3.2 优化分割对焦​

对焦对于准确的边缘检测至关重要：

  1. 将测试零件放置在摄像头视野中
  2. 调整对焦，直到边缘清晰锐利
  3. 用不同零件测试，确保整个产品范围内对焦一致
提示
  • 对焦于缺陷/特征所在的表面
  • 确保整个感兴趣区域清晰对焦
  • 轻微过度锐化优于模糊对焦，利于分割

3.3 设置最佳曝光​

适当的曝光确保特征检测一致：

  1. 调整曝光以获得均衡光照
  2. 避免过曝区域（纯白区域）
  3. 确保特征可见且对比度良好

分割曝光指南：

  • 特征与背景应有明显对比
  • 避免阴影被误判为缺陷
  • 用不同零件状态（干净、脏污、磨损）测试

3.4 配置 LED 照明模式​

根据分割目标选择照明：

特征类型推荐照明原因
表面缺陷明场照明均匀照明显示表面不规则
划痕/裂纹侧光照明产生阴影突出线性缺陷
凸起特征暗场照明使凸起区域从背景中突出
液体溢出侧光照明显示表面纹理差异

3.5 调整伽马以增强特征​

  1. 增加伽马值以增强特征与背景的对比
  2. 测试不同数值观察目标特征效果
  3. 找到使特征最易区分的设置

3.6 保存配置​

  1. 在实时预览中检查设置
  2. 点击 Save Imaging Settings

Save Settings

✅ 检查点： 特征应清晰可见且对比良好。

步骤 4：设置模板和对齐​

4.1 导航至模板部分​

点击面包屑菜单中的“Template Image and Alignment”

4.2 配置对齐（可选）​

Template and alignment

本示例跳过对齐：

  1. 选择 Skip Aligner（如果零件位置一致）
  2. 点击 Save

Template image

何时使用对齐器： 当零件位置或方向变化影响分割准确性时启用。

步骤 5：定义检测区域​

5.1 导航至检测设置​

点击面包屑菜单中的“Inspection Setup”

5.2 设置感兴趣区域 (ROI)​

ROI 定义分割执行的区域：

  1. 将测试零件放置在摄像头视野中
  2. 拖动 ROI 角点框选检测区域
  3. 合理调整 ROI 大小：
    • 包含所有可能出现特征的区域
    • 排除无关背景
    • 在预期特征位置周围留有缓冲区

ROI Setup

5.3 分割 ROI 最佳实践​

建议避免
覆盖整个检测表面包含无关背景物体
在边缘留缓冲区ROI 太小无法覆盖特征变化
考虑零件位置变化与夹具或工具重叠
用最大预期特征测试包含永久标记区域

5.4 保存 ROI 设置​

  1. 确认 ROI 覆盖所有目标区域
  2. 点击 Save

步骤 6：标注训练数据​

6.1 导航至标注与训练​

点击面包屑菜单中的“Label And Train”

6.2 配置检测类别​

  1. 点击检测类型下的 Edit
  2. 重命名类别以匹配特征（如“Pencil Mark”、“Surface Defect”、“Spill Area”）
  3. 选择类别颜色便于视觉识别
  4. 保存更改

6.3 捕获并标注训练图像​

至少需要 10 张标注图像，推荐 15-20 张：

图像采集流程​

  1. 将第一个测试零件放入检测区域
  2. 通过摄像头界面拍摄图像
  3. 使用画笔工具涂抹目标特征
  4. 准确涂抹：
    • 覆盖整个特征区域
    • 保持在特征边界内
    • 不涂抹背景区域
    • 保持标注一致性
  5. 点击 Save Annotations
  6. 重复下一零件

Label and Train

标注最佳实践​

良好标注不良标注
精确的特征边界边缘涂抹混乱
一致的特征定义标准不一致
完整覆盖特征缺失特征区域
干净背景（未涂抹）误涂背景

6.4 训练数据多样性​

确保训练集包含：

  • 不同大小的特征
  • 多种特征强度
  • ROI 内多个位置
  • 不同照明条件（如适用）
  • 边缘案例和临界样本

6.5 训练数据质量检查​

  1. 审查所有标注图像
  2. 确认标注一致
  3. 剔除错误标注样本
  4. 如有需要，添加更多样本

步骤 7：训练分割模型​

7.1 开始训练​

  1. 标注完成后点击 Return to Live
  2. 点击 Train Segmentation Model

Start Training

7.2 配置训练参数​

  1. 设置迭代次数：
    • 快速训练： 50-100 次迭代（5-10 分钟）
    • 生产质量： 200-500 次迭代（15-30 分钟）
    • 高精度： 500 次以上迭代（30 分钟以上）
  2. 点击 Start Training

7.3 监控训练进度​

训练进度显示：

  • 当前迭代次数
  • 训练准确率百分比
  • 预计完成时间

Training

训练控制：

  • Abort Training： 出现问题时停止训练
  • Finish Training Early： 达到满意准确率时提前结束

Training 2

提示
  • 85% 准确率通常适合生产
  • 训练会在达到目标准确率时自动停止
  • 增加训练数据通常比增加迭代次数更有效

步骤 8：测试分割性能​

8.1 访问实时预览​

  1. 训练完成后点击 Live Preview
  2. 使用各种零件测试：
    • 已知良品（应显示无或极少分割）
    • 已知缺陷品（应突出缺陷）
    • 边缘案例和临界样本

Live preview

8.2 评估结果​

检查分割质量：

指标良好表现需改进
准确率稳定检测真实特征漏检明显特征
精确度误报少误将背景标为缺陷
边缘质量边界清晰准确边缘粗糙不准确
一致性重复测试结果相似结果波动大

8.3 低质量结果排查​

问题可能原因解决方案
漏检特征训练数据不足增加标注样本
误报多照明/对比度差优化成像设置
边缘粗糙图像质量差改善对焦/照明
结果不稳定训练样本多样性不足增加多样样本

步骤 9：配置合格/不合格逻辑​

9.1 访问 IO 模块​

  1. 确保 AI 模型显示绿色（已训练状态）
  2. 通过面包屑菜单导航至 IO Block

9.2 删除默认逻辑​

  1. 删除 Classification Block Logic 节点
  2. 准备构建自定义分割逻辑

9.3 构建分割流程​

在 Node-RED 中创建以下节点流程：

  1. 从左侧面板拖拽节点：
    • Function 节点（用于逻辑）
    • Debug 节点（用于测试）
    • 最终 Pass/Fail 节点
  2. 用连线连接节点

NodeRed

9.4 根据需求配置逻辑​

选项 A：无缺陷即合格​

应用场景： 任何检测到特征即判不合格的质量检测

Function 节点代码：

const allBlobs = msg.payload.segmentation.blobs;
const results = allBlobs.length < 1; // 无特征则合格
msg.payload = results;
return msg;

选项 B：仅小缺陷合格​

应用场景： 接受小于阈值的轻微缺陷

Function 节点代码：

const threshold = 500; // 调整像素计数阈值
const allBlobs = msg.payload.segmentation.blobs;
const allUnderThreshold = allBlobs.every(blob => blob.pixel_count < threshold);
msg.payload = allUnderThreshold;
return msg;

选项 C：总缺陷面积小即合格​

应用场景： 接受总缺陷面积有限的零件

Function 节点代码：

const threshold = 5000; // 调整总像素阈值
const allBlobs = msg.payload.segmentation.blobs;
const totalArea = allBlobs.reduce((sum, blob) => sum + blob.pixel_count, 0);
msg.payload = totalArea < threshold;
return msg;

9.5 配置 Function 节点​

  1. 双击 Function 节点
  2. 复制上述相应代码
  3. 粘贴到“On Message”标签页
  4. 根据应用调整阈值
  5. 点击 Done

9.6 部署并测试逻辑​

  1. 点击 Deploy 激活逻辑
  2. 导航至 HMI 进行测试
  3. 使用已知良品和不良品测试
  4. 确认合格/不合格结果符合预期

步骤 10：生产验证​

10.1 全面测试​

使用以下测试用例验证分割系统：

测试用例预期结果失败时操作
干净零件合格（无分割）调整阈值或重新训练
轻微缺陷根据标准合格/不合格优化逻辑参数
严重缺陷不合格（明显分割）检查模型准确性
边缘案例结果一致增加训练数据

10.2 性能验证​

监控以下指标：

  • 每次检测处理时间
  • 多次测试结果一致性
  • 生产环境照明下的准确率
  • 长时间运行的可靠性

10.3 最终调整​

若性能不理想：

  1. 增加边缘案例训练数据
  2. 调整逻辑中的阈值
  3. 改善成像条件
  4. 增加迭代次数重新训练模型

成功！您的分割系统已准备就绪​

您现在拥有一个可：

  • 自动检测 特定特征或缺陷
  • 以像素级精度测量面积
  • 根据需求应用自定义合格/不合格逻辑
  • 通过 I/O 控制与生产系统集成

高级配置选项​

自定义阈值逻辑​

针对复杂验收标准，可组合多条件：

const smallThreshold = 200;
const largeThreshold = 1000;
const maxTotalArea = 3000;

const allBlobs = msg.payload.segmentation.blobs;
const smallBlobs = allBlobs.filter(blob => blob.pixel_count < smallThreshold);
const largeBlobs = allBlobs.filter(blob => blob.pixel_count > largeThreshold);
const totalArea = allBlobs.reduce((sum, blob) => sum + blob.pixel_c