Görüntü segmentasyonu nedir, nesne tespitinden farkı ne?
Görüntü segmentasyonu, görüntüdeki bölgeleri piksel düzeyinde ayırır. Üretimde bunun karşılığı bir çiziğin, kırık kenarın veya hasarlı conta bölgesinin kapladığı alanı göstermektir. Nesne tespiti ise nesnenin ya da kusurun çevresine kutu çizer. Sınıflandırma, tüm görüntüye veya önceden ayrılmış parçaya sağlam, hatalı gibi bir etiket verir. Üç yöntem farklı soruları cevaplar: sorun var mı, nerede ve tam olarak hangi bölgeyi kapsıyor?
Ultralytics'in görüntü sınıflandırma belgesi konum gerekmeyen görevlerde görüntü etiketi ve güven puanını tarif eder. Nesne tespiti belgesi kutu, sınıf ve güven puanı; segmentasyon belgesi ise nesneye ait maske veya konturu açıklar. Bunlar çıktı biçimleridir; fabrikanızın ret kuralını kendileri belirlemez. Maskenin ayrıntılı olması, son kararın otomatik olarak daha doğru olduğu anlamına gelmez.
Seçime model adıyla başlamayın. Operatörün hangi parçayı ayıracağı, robotun nereye uzanacağı veya kalite uzmanının hangi ölçüyü raporlayacağı belirleyicidir. Gereksiz ayrıntı etiketleme ve doğrulama yükünü büyütür. Eksik ayrıntı ise doğru görünen bir tahmini uygulanamaz hâle getirir. İhtiyacınız yalnızca tek parçanın incelemeye gitmesiyse her kusuru piksel piksel çizmenin yararını ayrıca kanıtlayın.
Çıktı ve etiketleme seçimi için karar tablosu
Önce denetim kuralını bir cümleyle yazın: hangi fiziksel nesne, hangi koşulda, hangi eyleme gidecek? Ardından aşağıdaki tabloyla en küçük yeterli çıktıyı seçin. Etiket biçimi çıktıyla uyumlu olmalı; görüntü etiketiyle eğitilmiş bir sistemi güvenilir alan ölçer gibi kullanamazsınız.
| Ret kararı | Yeterli çıktı | Etiketleme yükü |
|---|---|---|
| Tek parçada herhangi bir kusur | Görüntü veya parça sınıfı | Sağlam, hatalı, kararsız etiketi |
| Tepsideki hatalı parçayı ayırma | Parça kutusu ve sınıfı | Her parçaya kutu |
| Eksik cıvatanın yerini gösterme | Nesne konumu veya boş yuva | Kutu ve konum kuralı |
| Kusurun alanına göre ret | Kusur maskesi ve kalibrasyon | Sınırları belirlenmiş piksel bölgeleri |
| Kritik bölgeye taşan çizik | Maske ve kritik bölge örtüşmesi | Kusur sınırı ve bölge tanımı |
Birden fazla parçayı önce tespit edip her kırpımı sınıflandırmak da mümkündür. Bu yaklaşımda parçayı bulma hatası ve kusuru sınıflandırma hatası birlikte değerlendirilir. Sabit bir tepsinin bilinen yuvalarını kullanıyorsanız ayrı tespit modeli gerekmeyebilir. Ancak kaymış veya boş yuva durumunda kararın ne olacağını açıkça tanımlayın.
Etiketleme kuralını küçük bir deneyle doğrulayın
Temsilî örnekleri yalnızca temiz görüntülerden seçmeyin. Parlama, bulanıklık, küçük çizik, kenar kırığı, kısmen örtülü parça ve kabul sınırına yakın kozmetik izler de bulunsun. İki eğitimli etiketleyici aynı görüntüleri bağımsız işaretlesin. Görüntü başına süreyi, yeniden çalışma ihtiyacını ve son kabul veya ret kararındaki uyuşmazlığı kaydedin. Böylece maskenin ek maliyetini tahmin yerine ölçersiniz.
Talimat dosyasında kusur sınıflarını, sınır çizme kuralını, görünmeyen bölgeleri ve kararsız örnekleri tanımlayın. İki uzman çiziğin nerede bittiğinde anlaşamıyorsa ayrıntılı maske, gerçekte olmayan kesinlik üretir. Önce kalite kuralını netleştirin; çözülemeyen görüntüyü insan incelemesine ayırın. Maske örtüşmesi düşük olsa bile iki etiket aynı ret kararını verebilir; bunun tersini de kontrol edin.
Görüntüyle birlikte parça kimliği, ürün varyantı, parti, kamera, çekim zamanı, aydınlatma ayarı ve etiket sürümünü saklayın. Bir parçanın peş peşe çekilmiş karelerini eğitim ve test arasında dağıtmayın. Aynı nesnenin benzer görüntülerini farklı kümelerde görmek, gerçek üretim başarısını olduğundan iyi gösterebilir. Bölmeyi parça ve üretim partisi gibi bağımsız birimlerle yapın.
Maskeyi uygulanabilir bir ölçüye dönüştürün
Alan veya kenara uzaklık ret koşuluysa çıktı zincirini açık kurun: görüntüyü düzeltme, parçayı bulma, kusuru ayırma, ölçme ve kuralı uygulama. Piksel sayısını doğrudan milimetrekare diye raporlamayın. Kamera mesafesi, mercek bozulması, bakış açısı ve parçanın yüzey düzlemi ölçüyü etkiler. Sabit, düz bir yüzey için doğrulanmış piksel ölçeği kullanılabilir; eğimli veya farklı yükseklikteki yüzeylerde tek ölçek yeterli olmayabilir.
Kritik bölgeyi parça koordinatlarında tanımlayın. Parça görüntü içinde hareket ederse sabit ekran koordinatları aynı fiziksel alanı temsil etmez. Ölçülen alan, karar eşiğine yakınsa kalibrasyon ve etiket belirsizliğiyle birlikte incelemeye yönlendirin. Güven puanı, boyut hatasının veya kusurun fiziksel kabul edilebilirliğinin ölçüsü değildir.
Her kararla parça kimliğini, kullanılan model ve kural sürümünü, ölçülen alanı ve son eylemi kaydedin. Böylece yanlış ayrılan bir parçanın nedenini maske, eşik veya hattaki parça kimliği eşleşmesine kadar izleyebilirsiniz. Operatörün düzelttiği kararları otomatik olarak eğitim etiketi saymayın; önce uzman kontrolünden geçirin. Biriken düzeltmeler kalite kuralını değiştiriyorsa yeni sürümü ayrı kabul testinden geçirip eski sonuçlarla karşılaştırın.
Kusur örnekleri azsa PatchCore'un normal görüntülerden öğrenen yaklaşımı şüpheli bölge adayları sağlayabilir. Bu anomali haritasını, boyuta bağlı ret için doğrulanmış kusur maskesiyle aynı saymayın. Aday bölgeyi uzman incelemesi veya ayrı ölçümle doğrulayın. Önce görüntüyü incelemeye sevk eden pilot kurmak, kesin ölçüm iddiasından daha yönetilebilir bir başlangıç olabilir.
Varsayımsal örnek: yirmi parçalı tepside kırık mandal
Aşağıdaki rakamlar yöntem seçimini göstermek için varsayımsaldır. Bir tepside 20 kalıplanmış parça olsun. Kural, mandal çevresindeki kırığın alanı 2 mm²'yi aşarsa ilgili parçayı ayırmak olsun. Görüntü sınıflandırması hatalı tepsiyi bulabilir; ayırma koluna hangi parçayı alacağını söylemez. Parça tespiti doğru yuvayı gösterebilir; kırığın gerçek alanını kutusunun alanından çıkaramaz.
1.000 pilot görüntüyü etiketlemek, görüntü etiketi için ortalama 20 saniye, kutular için 60 saniye ve maskeler için 180 saniye sürsün. Bunlar yaklaşık 5,6, 16,7 ve 50 saat eder; uzman kontrolü bu hesaba ayrıca eklenir. Her kırık tek başına ret nedeni olsaydı kutu yeterli olurdu; burada alan şartı olduğu için maskenin ek yükü anlamlıdır.
Düzeltilmiş düz yüzey görüntüsünde doğrulanmış ölçek 0,05 mm/piksel olsun. 1.200 piksellik kusur maskesi 1.200 × 0,05 × 0,05 = 3 mm² eder. Aynı koşullardaki 700 piksel ise 1,75 mm²'dir. Ölçeğin iki eksende geçerli olduğunu doğrulayın; sınırda kalan parçaları önceden belirlenen inceleme bandına alın. Bu hesap, gerçek yüzeyin tamamını gördüğünüz veya kalibrasyon hatasının sıfır olduğu anlamına gelmez.
Modeli ve son parça kararını birlikte test edin
Adayları aynı ayrılmış üretim görüntülerinde karşılaştırın. Maske örtüşmesi ve kutu başarısı tanı koymaya yardım eder; kabul testinin ana çıktısı kaçan reddedilebilir parça, yanlış ayrılan sağlam parça ve incelemeye giden parça sayısıdır. Hedefleri kalite ekibiyle testten önce belirleyin.
- Bağımsız örnekler: Farklı gün, parti ve vardiyadan görüntüler ayırın; tekrar karelerini aynı grupta tutun.
- Zor dilimler: Küçük kusurları, örtülmeleri ve parlak yüzeyleri ayrı raporlayın; kusur sayısını da gösterin.
- Ölçüm kontrolü: Alanları doğrulanmış referans ölçüyle karşılaştırın; eşik çevresindeki karar değişimini inceleyin.
- Hat gecikmesi: Kamera tetiklemesinden doğru parçanın ayrılmasına kadar süreyi ve kimlik eşleşmesini ölçün.
- İnceleme yükü: Belirsiz görüntü sayısını, operatör süresini ve yanlış ayırma maliyetini birlikte hesaplayın.
Görüntü gelmediğinde, parça bulunamadığında veya işlem yetişmediğinde sistemin davranışı da test kapsamındadır. Sessizce geçti kararı üretmek yerine süreç sahibinin onayladığı inceleme veya durdurma yolunu uygulayın. Model, eşik veya kamera düzeni değişince aynı kabul setini yeniden çalıştırın.
Sık yapılan hatalar
- En ayrıntılı çıktıyı otomatik olarak en uygun yöntem saymak ve etiketleme süresini ölçmemek.
- Kusurun kutu alanını gerçek yüzey alanı gibi kullanmak; maskeyi kalibrasyonsuz ölçüye çevirmek.
- Etiketleyiciler arasındaki sınır uyuşmazlığını gizleyip kararsız örnekleri zorla sağlam veya hatalı saymak.
- Yüksek ortalama başarıyla küçük kusurlardaki kaçışları ve yanlış parça ayrılmasını örtmek.
- Test görüntülerinde eşik ayarlayıp aynı sonuçları bağımsız kabul testi diye sunmak.
Hatson Tech bunu nasıl kuruyor?
Görüntü tanıma ve bilgisayarlı görü yazılımı geliştirme çalışmalarına ret kuralı, kamera koşulları ve etiketleme deneyiyle başlıyoruz. Çıktı seçimini son eylem ve kabul ölçütüyle eşliyoruz. Görüntü toplama ve hat entegrasyonu için üretimde görüntü işleme ve kalite kontrol rehberimiz, kusur örneklerinin az olduğu başlangıçlar için kusur etiketi olmadan anomali tespiti yazımız bu planı tamamlar. Pilot kapsamını, hangi parçanın hangi kanıtla ayrılacağı üzerinden belirlemek; veri, model ve operasyon ekibine ortak bir kabul ölçüsü verir.