3. In-Sight深度学习工具与界面导航

In-Sight ViDi 是康耐视在 In-Sight 视觉系统上提供的深度学习工具集，它把深度学习检测能力封装成几个可组合的“工具”，并嵌入到 In-Sight 软件（In-Sight Vision Suite / In-Sight Explorer 的 ViDi 环境）中。要真正用起来，第一步不是急着调参数，而是先弄清工具集的分工、界面各区域的作用，以及一个任务从图像采集到工具调用的完整创建流程。

一、ViDi 工具集：四类工具的分工

ViDi 工具集围绕“定位—分类—检测—读取”四类典型任务组织，每个工具解决一类问题，输入输出接口彼此衔接：

• ViDi Blue – Locate（定位）：在图像中找出目标的位置与角度，输出目标的坐标、角度和匹配分数。它通常作为整条任务链的“入口”，为后续工具提供对齐后的区域。
• ViDi Blue – Analyze（分析/分类）：对已定位区域进行特征分析，判断其类别或状态，例如区分良品/不良品、判断有无缺陷类型。输出类别标签与置信度。
• ViDi Red – Analyze（缺陷检测）：面向无固定形态的缺陷（划痕、脏污、缺料等），通过训练正常样本学习“正常长什么样”，再对异常区域给出缺陷分数与热力图。
• ViDi Green – Read（读取）：针对字符、文本、OCR 类任务，在定位后的区域内读取字符内容，输出字符串与字符级置信度。

四类工具不是必须全部使用，而是按任务需要组合。例如一个典型外观检测任务可以是：Locate 找到产品 → Red Analyze 判断表面缺陷 → Green Read 读取产品上的批号。工具之间通过“区域（Region）”和“图像”传递数据，前一个工具的输出区域会成为后一个工具的输入区域。

二、界面布局：四个关键区域

ViDi 环境的主界面可以按功能划分为四个区域，理解它们的位置关系能显著减少操作时的来回切换：

• 图像显示区（中央）：显示当前图像、已定义的区域框、工具输出的热力图或标注结果。所有区域定义、工具结果的可视化都在这里完成。
• 工具/任务树（左侧）：以树状结构列出当前任务中的图像源、区域和工具，反映任务的层级与调用顺序。选中某个节点，右侧参数面板会切换到对应工具的配置项。
• 参数与训练面板（右侧）：显示所选工具的参数、训练样本列表、训练按钮和结果指标（如分数、置信度、混淆情况）。
• 图像列表/样本管理区（底部或侧边）：管理已采集或导入的图像，区分训练集与验证集，支持标注和样本增删。

三、任务创建流程：从图像到工具调用

一个 ViDi 任务的创建通常遵循“采集图像 → 定义区域 → 调用工具 → 训练/验证 → 输出结果”的顺序。下面以“金属零件表面缺陷检测”为例，给出可参考的示例流程与参数（示例参数为合理假设，实际需按现场调整）：

1. 图像采集：连接相机或加载图像文件夹，采集至少 30～50 张正常样本和若干缺陷样本。示例中分辨率设为 1280×1024，曝光时间 8 ms，增益 1.0，确保零件表面亮度均匀、无过曝。
2. 定义区域：在图像显示区用矩形或环形工具框出零件所在区域，命名为 Part_ROI。若零件位置有波动，可先用 Locate 工具定位，再把 Part_ROI 绑定到 Locate 的输出坐标系上，使区域随零件移动。
3. 调用工具：在任务树中依次添加 Locate、Red Analyze、Green Read。Locate 的输入为整幅图像，输出为零件位姿；Red Analyze 的输入为 Part_ROI，输出为缺陷分数；Green Read 的输入为批号区域，输出为字符串。
4. 训练与验证：Red Analyze 用正常样本训练“正常模型”，再用缺陷样本验证。示例中训练 40 张正常图，验证 10 张缺陷图，观察缺陷分数是否明显高于正常样本的分数阈值（示例阈值设为 0.65）。
5. 结果输出：将各工具的判定结果组合成最终 OK/NG 信号，通过 In-Sight 的通信接口（如 TCP/IP、PLC）输出，或在界面中直接查看热力图与分数。

整个流程中，区域定义和工具调用顺序是最容易出错的两步：区域没对齐会导致后续工具“看错地方”，工具顺序颠倒则会让输入区域缺失。建议每添加一个工具就立即用一张样本图验证其输出是否合理，再继续下一步。

四、图像采集、区域定义与工具调用的关键操作

图像采集方面，除了相机实时取流，ViDi 也支持从文件夹批量导入图像。导入时注意图像命名规范，便于区分正常/缺陷样本。若使用实时相机，建议先固定曝光和增益，避免训练与生产时图像亮度不一致。

区域定义方面，区域可以是矩形、圆形、环形或多边形。定义时遵循“紧贴目标、留少量余量”的原则：区域过大引入背景干扰，区域过小可能裁掉缺陷。对于位置波动的目标，优先使用 Locate 输出的动态区域，而不是固定坐标区域。

工具调用方面，在任务树中右键添加工具后，需要显式指定其输入区域。例如 Red Analyze 的输入应选择 Part_ROI，而不是整幅图像。工具的参数面板中，训练相关参数（如样本数量、迭代次数）和判定参数（如分数阈值）应分开设置，先训练后调阈值。

五、常见问题与判断依据

在任务创建过程中，几个典型问题值得提前注意：

• 区域未随目标移动：如果零件位置有波动但区域是固定坐标，缺陷可能落在区域外。判断方法是查看多张样本图中区域框是否始终覆盖目标；若不是，应改用 Locate 动态区域。
• 训练样本不足或分布不均：正常样本过少会导致模型把正常波动误判为缺陷。示例中建议正常样本不少于 30 张，且覆盖不同光照和位置变化。
• 阈值设置过高或过低：阈值过高会漏检缺陷，过低会误报。判断依据是观察验证集上缺陷分数与正常分数的分布是否分离；若重叠明显，需要补充样本或调整区域。
• 工具输入区域选错：例如 Red Analyze 误选了整幅图像而非 Part_ROI，会把背景变化也当作缺陷。检查方法是查看工具的热力图是否集中在目标区域。