跳到主要内容

使用分割器

本教程将指导您使用 OV80i 的 AI 驱动分割功能，创建完整的分割检测。您将学习如何通过逐像素教导相机识别和测量特定特征，如铅笔痕迹、划痕或其他缺陷，从而实现检测和分析。

您将学到：

  • 如何从头开始设置分割配方
  • 如何训练 AI 模型识别特定特征
  • 如何基于分割结果配置合格/不合格逻辑
  • 如何优化分割性能以适应生产使用

实际应用示例： 本教程以铅笔痕迹检测为例，但相同原理适用于检测划痕、裂纹、污染或任何可视觉区分的特征。

先决条件​

  • 已设置并连接的 OV80i 相机系统
  • 带有您想检测特征的样品零件（例如带有铅笔痕迹的纸张）
  • AI 训练概念的基础理解
  • 可访问 Recipe Editor 和 Node-RED 功能

教程概述​

我们将构建的内容： 一个能够检测纸张上铅笔痕迹，并根据检测到的标记量判断合格/不合格的分割模型。

所需时间： 45-60 分钟（含训练时间）

学习技能： AI 模型训练、分割标注、合格/不合格逻辑配置

步骤 1：创建新的分割配方​

1.1 新建配方​

  1. 在 All Recipes 页面，点击右上角的 "+ New Recipe"
  2. 弹出“添加新配方”窗口
  3. 输入描述性的 Name（例如 "Pencil_Mark_Detection"）
  4. 从配方类型下拉菜单中选择 "Segmentation"
  5. 点击 "OK" 创建新配方

为什么选择分割？ 与识别整个对象的分类不同，分割能在图像中找到并测量特定特征，非常适合缺陷检测、污染分析或覆盖面积测量。

image.png

1.2 激活配方​

  1. 新配方将在 All Recipes 页面显示为 "Inactive"
  2. 在配方右侧选择 "Actions > Activate"
  3. 点击 "Activate" 确认
  4. 配方状态变为 "Active"

image.png

1.3 进入 Recipe Editor​

  1. 点击活动配方旁的 "Edit"
  2. 点击 "Open Editor" 确认
  3. 进入带有分割配方的 Recipe Editor 界面

检查点： 您应能在面包屑菜单中看到带有分割配方名称的 Recipe Editor 界面。

步骤 2：配置相机成像​

2.1 访问成像设置​

  1. 在 Recipe Editor 中，点击左下角的 "Configure Imaging"
  2. 打开成像配置页面，优化相机设置

image.png

2.2 优化对焦设置​

  1. 将带有铅笔痕迹的样品纸张放入相机视野
  2. 使用 Focus slider 调整至铅笔痕迹清晰对焦
  3. 可手动输入对焦值以提高精度
  4. 如有 Focus View，可查看边缘高亮和对焦得分

对焦提示：

  • 对准缺陷出现的表面
  • 确保铅笔痕迹清晰锐利
  • 较高的对焦得分表示更佳的对焦质量

2.3 配置曝光设置​

  1. 调整 Exposure 滑块以获得合适亮度
  2. 铅笔痕迹应清晰可见，纸张不过曝
  3. 可先使用自动设置，再微调
  4. 通过实时预览观察调整效果

曝光指南：

  • 铅笔痕迹应与纸张形成良好对比
  • 避免过曝导致细微痕迹消失
  • 保持整个检测区域光照均匀

2.4 设置 LED 照明​

  1. 选择适合应用的 LED Light Pattern
  2. 对于铅笔痕迹，均匀照明通常效果最佳
  3. 调整 LED Light Intensity 以减少阴影和眩光
  4. 若反光问题严重，可尝试不同光照模式

2.5 调整 Gamma 和对比度​

  1. 微调 Gamma 以增强痕迹与背景的对比度
  2. 较高的 Gamma 可使细微铅笔痕迹更明显
  3. 较低的 Gamma 有助于减少干净区域的噪点
  4. 平衡 Gamma 以优化缺陷可见性和背景清晰度

2.6 保存成像设置​

  1. 优化完成后，点击 "Save Imaging Settings"
  2. 配方的相机配置即被保存
  3. 实时预览应显示清晰且对比度良好的图像

检查点： 相机应输出清晰图像，铅笔痕迹与纸张背景易于区分。

步骤 3：配置模板和对齐​

3.1 进入模板图像和对齐设置​

  1. 点击面包屑菜单中的 Recipe Name 返回 Recipe Editor
  2. 从菜单选择 "Template Image and Alignment"

3.2 本教程中的跳过对齐器​

  1. 由于我们要检测整张板上的特征，点击 "Skip Aligner"
  2. 这将禁用基于位置的对齐，使用整张图像
  3. 点击 "Save" 以应用更改

何时使用对齐器： 当需要检测可能移动或旋转零件上特定位置的特征时，启用对齐器。对于像铅笔痕迹这样的整张板检测，通常跳过对齐器更为合适。

image.png

第 4 步：设置检测区域​

4.1 进入检测设置​

  1. 返回 Recipe Editor，选择 "Inspection Setup"
  2. 在这里定义要分析的图像区域

4.2 配置感兴趣区域 (ROI)​

  1. 你将看到相机视野的预览
  2. 拖动 ROI 框的角点 调整其大小和位置
  3. 对于铅笔痕迹检测，通常覆盖整张板区域
  4. 确保 ROI 包含所有可能出现铅笔痕迹的区域

ROI 最佳实践：

  • 包含所有可能出现缺陷的区域
  • 排除不应分析的边缘或背景区域
  • ROI 应足够大以覆盖零件位置的变化
  • 避免包含文字、标志或其他预期标记

4.3 保存 ROI 配置​

  1. ROI 位置调整好后，点击 "Save"
  2. 检测区域现已为分割模型定义完成

第 5 步：标注并训练模型​

5.1 进入标注和训练​

  1. 返回 Recipe Editor，选择 "Label and Train"
  2. 在这里教 AI 识别铅笔痕迹的样子

image.png

5.2 配置检测类别​

  1. 在 Inspection Types 下点击 "Edit"
  2. 将类别重命名为 "Pencil Mark"（或你的具体缺陷类型）
  3. 选择一个醒目的 颜色 用于显示检测到的痕迹
  4. 点击 "Save" 应用更改

5.3 捕获训练图像​

  1. 至少拍摄 10 张 带有不同铅笔痕迹的板材图像
  2. 训练样本要多样化：
    • 不同大小和形状的铅笔痕迹
    • 浅色和深色痕迹
    • 板上不同位置
    • 不同密度的痕迹

训练图像建议：

  • 包含明显和细微的痕迹
  • 捕捉各种光照条件
  • 每张图像中包含无痕迹的干净区域
  • 确保图像代表实际生产环境

5.4 标注训练图像​

  1. 对每张训练图像，使用 Brush tool 勾画铅笔痕迹
  2. 仅标注铅笔痕迹，避免标注纸张或其他特征
  3. 标注要精确且全面
  4. 每张图像完成后点击 "Save Annotations"

标注最佳实践：

  • 标注标准保持一致，统一定义“铅笔痕迹”
  • 标注完整痕迹，而非部分
  • 不标注文字、标志等预期标记
  • 使用稳定、细致的笔触确保边界准确

5.5 审核标注​

  1. 仔细检查所有标注图像 确保准确无误
  2. 查找遗漏或错误标注的区域
  3. 需要时重新标注图像
  4. 高质量标注有助于提升模型性能

第 6 步：训练分割模型​

6.1 启动训练流程​

  1. 标注至少 10 张图像后，点击 "Return to Live"
  2. 点击 "Train Segmentation Model"
  3. 输入训练的 迭代次数

迭代次数建议：

  • 初始训练可设置 100-200 次迭代
  • 更多迭代通常提升准确率，但训练时间更长
  • 监控训练进度并根据情况调整
  • 在准确率和训练时间间找到平衡

image.png

6.2 监控训练进度​

  1. 点击 "Start Training" 开始训练
  2. 训练进度窗口将显示：
    • 当前迭代次数
    • 训练准确率百分比
    • 预计剩余时间

6.3 训练控制选项​

训练过程中你可以：

  • Abort Training - 需要修改时停止训练
  • Finish Training Early - 达到满意准确率时提前结束
  • Monitor Progress - 观察准确率随迭代提升

训练提示：

  • 达到目标准确率时训练会自动结束
  • 更高准确率代表模型性能更好
  • 准确率停滞时可能需要更多训练数据

6.4 评估训练结果​

  1. 训练完成后，查看最终准确率
  2. 点击 "Live Preview" 观察实时分割效果
  3. 使用新样本测试模型性能

成功标志：

  • 铅笔痕迹以选定颜色高亮显示
  • 干净区域保持无标记
  • 不同类型痕迹检测一致
  • 模型对新样本响应良好

第 7 步：配置合格/不合格逻辑​

7.1 进入 IO Block​

  1. 返回 Recipe Editor，选择 "IO Block"
  2. 确保所有 AI Block 显示为 "trained (green)" 后继续
  3. 点击 "Configure I/O" 进入 Node-RED 编辑器

image.png

7.2 设置 Node-RED 流程​

  1. 删除现有的 Classification Block Logic 节点
  2. 从左侧面板拖入：
    • All Block Outputs 节点（如果尚未存在）
    • Function 节点
    • Final Pass/Fail 节点
  3. 连接节点：All Block Outputs → Function → Final Pass/Fail

image.png

7.3 配置通过/失败逻辑​

双击 Function 节点，选择以下逻辑示例之一：

选项 1：无缺陷则通过​

// 如果未检测到铅笔标记则通过
const allBlobs = msg.payload.segmentation.blobs;
const results = allBlobs.length < 1;
msg.payload = results;
return msg;

选项 2：所有标记均小于阈值则通过​

// 如果所有标记均小于阈值则通过
const threshold = 500; // 像素
const allBlobs = msg.payload.segmentation.blobs;
const allUnderThreshold = allBlobs.every(blob => blob.pixel_count < threshold);
msg.payload = allUnderThreshold;
return msg;

选项 3：总覆盖面积低于阈值则通过​

// 如果总标记面积低于阈值则通过
const threshold = 5000; // 总像素数
const allBlobs = msg.payload.segmentation.blobs;
const totalArea = allBlobs.reduce((sum, blob) => sum + blob.pixel_count, 0);
msg.payload = totalArea < threshold;
return msg;

7.4 部署并测试逻辑​

  1. 点击 "Done" 保存函数
  2. 点击 "Deploy" 激活逻辑
  3. 进入 HMI 测试您的通过/失败逻辑

测试您的逻辑：

  • 使用干净的样品（应通过）
  • 使用轻微标记的样品（根据您的标准通过或失败）
  • 使用严重标记的样品（应失败）
  • 验证结果是否符合预期

第 8 步：优化与验证​

8.1 使用生产样品测试​

  1. 运行多个测试样品进行检测
  2. 验证检测准确度是否满足要求
  3. 检查通过/失败逻辑是否正确工作
  4. 记录任何问题或边缘情况

8.2 微调模型性能​

如果检测结果不稳定：

  • 添加更多具有多样性的训练图像
  • 提高标注质量和一致性
  • 调整成像设置以增强对比度
  • 进行更多迭代的重新训练

如果需要调整通过/失败逻辑：

  • 修改 Node-RED 函数中的阈值
  • 测试不同的逻辑方案
  • 针对复杂决策考虑多重条件
  • 根据生产需求进行验证

8.3 生产验证​

  1. 在实际条件下使用真实生产零件测试
  2. 与质量团队确认标准符合要求
  3. 记录性能指标，如检测准确率和误报率
  4. 建立监控机制，跟踪性能变化

第 9 步：理解分割结果​

9.1 分割数据结构​

您的分割结果包括：

  • Blobs：单个检测到的特征（铅笔标记）
  • Pixel Count：每个特征的大小
  • Location Data：特征的位置
  • Confidence Scores：模型对每个检测的置信度

9.2 使用分割数据​

您可以基于以下内容创建复杂的通过/失败逻辑：

  • 缺陷数量
  • 单个缺陷大小（像素数）
  • 缺陷总面积（所有像素数之和）
  • 缺陷位置
  • 缺陷形状特征（适用于高级应用）

成功！您的分割模型已完成​

您的 OV80i 分割检测系统现在可以：

✅ 自动检测铅笔标记（或您特定的特征）

✅ 测量检测特征的大小和数量

✅ 根据您的具体标准做出通过/失败判定

✅ 提供每个检测特征的详细信息

✅ 适应标记大小、形状和位置的变化

关键要点​

分割 vs 分类：

  • 分割 用于在图像中定位并测量特定特征
  • 分类 用于识别整体对象或整体状态
  • 分割适合缺陷检测、污染分析或覆盖率测量

训练最佳实践：

  • 标注质量优于数量
  • 训练集应包含多样化样本
  • 使用生产样品进行充分测试
  • 持续监控并根据需要重新训练

通过/失败逻辑：

  • 从简单条件开始，逐步增加复杂度
  • 使用边缘案例和临界样品测试逻辑
  • 记录判定标准以保持一致性
  • 考虑多因素以实现稳健判定

后续步骤​

完成首个分割模型后：

  1. 应用于其他用例 — 尝试检测不同类型的缺陷或特征
  2. 集成到生产系统 — 连接 PLC 或质量管理系统
  3. 建立数据采集 — 跟踪性能指标和检测统计
  4. 培训操作员 — 确保团队了解如何监控和维护系统
  5. 制定维护计划 — 定期更新模型并评估性能

相关文档​

  • How-To: Train a Segmenter
  • Concepts: Classifier vs Segmenter
  • Tutorial: Using a Classifier (Single-ROI Example)
  • How-To: Configure Node-RED Logic
  • Reference: Node-RED Logic Blocks Guide