红色分析

红色分析 工具可以执行以下任务，例如：

• 检测异常和外观缺陷

• 通过学习目标区域的不同外观来分割 分割是从图像中选择视图的过程。缺陷或其他关注区域

• 通过了解对象的正常外观，识别复杂表面上的划痕、不完整或不正确的装配，甚至织物的编织问题

工具类型

当您知道需要红色分析工具来解决机器视觉问题时，您必须选择要训练 训练是您的工具（神经网络）根据您的标注学习特征（像素）的过程。例如，工具将根据您绘制的缺陷/正常标注，学习每个图像中的缺陷/正常像素。工具训练的目标是充分学习，能够对未见过的图像是否缺陷给出正确的检测结果。训练的关键是确保将所有可能的变化都包括在训练集中，并且图像被正确标注。训练时间因应用程序、工具设置以及用于训练网络的 PC 中的 GPU 而异。的工具类型。您可以通过在工具参数边栏中设置类型参数来实现。

红色分析工具有以下几种类型：

• 标准类型，用于解决异常检测或分割问题。

• 无监督类型，用于解决异常检测问题。

• 遗留类型，与旧版 VisionPro Deep Learning 软件中的聚焦模式工具兼容。

不同工具类型对应不同的神经网络模型 每个 VisionPro Deep Learning 工具都是一个神经网络。神经网络模仿了人脑中生物神经元的工作方式。神经网络由相互连接的人工神经元层（称为节点）组成，并且具有多个层。神经网络在图像分类和模式识别等任务中表现出色。类型。如果想获得更加准确的结果，需要以增加训练和处理时间为代价，请使用标准类型。标准类型工具会随机检查图像中的像素块，而遗留类型工具则使用特征 特征是图像上可进行视觉辨识的区域。特征通常代表对应用相关的内容（缺陷、对象、对象的特定部分）。采样器，使其具有选择性，聚焦于图像中包含有用信息的部分。由于聚焦，工具可能会丢失信息，尤其是当图像中到处都有重要细节时。

您可以在工具链中组合使用这些类型的工具。例如，您可以先使用无监督类型工具来筛选视觉异常，然后使用一个或多个下游标准类型工具来查找划痕、低对比度污渍或纹理变化等缺陷。

标准类型

标准类型工具可以检测图像中显示为缺陷的区域。例如，它可以检测到金属表面的裂缝和划痕。您通过在训练图像上标注 标注是用“真值”来注释图像的过程。根据您使用的工具，标注可以采用不同的形式。标注图像集有两个原因：提供训练工具所需的信息，并允许您根据真值衡量和验证受训练的工具的性能。缺陷来教导工具进行识别。经过训练后，工具可以在未见过的图像上标记 图像标记是由 VisionPro Deep Learning 工具生成的注释。工具生成的标记是工具处理特定图像时获得的“答案”。您可以通过将工具生成的标记与用于同一图像的标注进行比较，从而验证工具的性能。与标注一样，生成的特定标记取决于工具。相同类型的缺陷。

标准类型具有以下优点：

• 有效检测线状缺陷，如划痕、裂缝或裂隙。

• 检测特定的缺陷类型。

• 检测可测量的缺陷参数，例如尺寸和形状。

• 对不同类型或方向的零件有更高的容忍度。

• 监控验证 验证是指在工具训练过程中用于评估性能的一个过程。验证就像工具在训练阶段进行的模拟考试，是与最终测试分开的。例如，验证可以帮助您识别过拟合，并避免在训练工具时浪费时间。如果您意识到该工具正在过拟合，可以提前停止训练。损失 损失是指验证损失，这是一个显示工具在验证集上表现的指标。损失的值可以介于 0 和 1 之间。VisionPro Deep Learning 应用程序根据工具在处理验证集图像时所出现的错误来计算损失。在训练期间，您可以使用损失检查器实时检查损失。，使用训练中的验证图像集，并支持损失检查器功能。

• 支持多类分割，这意味着您可以为工具创建不同的缺陷类别以供识别。例如，您可以将某一类缺陷称为“斑点”，另一类称为“划痕”。

• 支持使用 NVIDIA Tensor RT 优化运行时的处理速度。

• 支持稳健模式。如果您希望在不同的生产线和新产品上使用该工具而无需重新训练，请选择此模式。此模式允许工具适应生产线的变化以及具有类似缺陷的产品变体。

  注意： 在稳健模式下，处理时间会随着图像大小的增大而增加。

标准类型工具支持以下功能：

模式	NVIDIA Tensor RT 速度优化	异常值评分	多类分割
快速	是	否	是
精确	是	否	是
稳健	否	否	是

在训练标准类型工具时，请注意以下几点：

• 使用“良好”图像可以训练工具忽略非缺陷零件。

• 确保拥有训练图像集 特定应用的图像集合。训练图像集是指通过运行时系统的光照、光学和机械特性以一致方式采集的，特定部件或工艺过程的图像集合。训练图像集包括体现图像外观变化的图像，并且在正常操作中会出现这些图像外观。，其中包括您预计在运行时将遇到的所有缺陷，以及无缺陷图像。工具只能发现从训练图像集中学到的缺陷。例如，如果您只让工具学习污渍的样子，工具将无法发现划痕。

无监督类型

您使用显示良好零件的图像训练无监督类型工具来识别缺陷。这意味着无监督类型的工具学习良好零件的外观，并据此识别不良零件。

无监督类型具有以下优点：

• 可靠地寻找未预见的缺陷。

• 只需要良好零件图像进行训练。

无监督类型面临以下挑战：

• 对不同类型或方向的零件很敏感。这种差异可能会导致工具无法发现某些缺陷。

• 发现划痕、裂缝或龟裂等线状缺陷的几率较低。

• 无法检测缺陷类型。

• 无法检测到可测量的缺陷参数，例如大小或形状。

为了获得最佳效果，请在训练图像集中包含显示缺陷的图像。无监督类型工具在训练阶段会忽略标注为“不良”的图像，但这些图像在测试和验证工具性能时非常有用。缺陷零件的图像帮助您判断该工具发现缺陷的准确度。

无监督 类型工具使用与采样区域相关联的特征采样器来对像素进行采样。您在工具参数边栏中通过采样参数来定义采样区域。若采样区域不包括任何缺陷像素，则网络不应产生响应。

遗留类型

遗留类型工具是标准类型工具稍低级的版本。

• 遗留类型工具的处理时间可能比标准类型工具更短，但分割性能较低。

• 支持多类分割，这意味着您可以为工具创建不同的缺陷类别以供识别。例如，您可以将某一类缺陷称为“斑点”，另一类称为“划痕”。

遗留 类型工具使用与采样区域相关联的特征采样器来对像素进行采样。您在工具参数边栏中通过采样参数来定义采样区域。若采样区域不包括任何缺陷像素，则网络不应产生响应。