OV Defect Creator Studio · VisA PCB1 基準測試
可以用合成資料訓練瑕疵檢測模型嗎？
我們進行了基準測試。10 張真實瑕疵照片加上 OV Defect Creator Studio 生成的 50 張影像，在一個隨機種子下追平了使用 50 張真實照片得到的 84% 基準。另一個種子下，模型超越了這個基準，檢出 86% 的瑕疵。
真實瑕疵資料只需五分之一。
瓶頸：蒐集真實瑕疵影像
視覺檢測專案可能已有相機、照明與明確的不良品判定標準，卻仍在等待訓練資料。良品很容易拍攝，但特定刮痕、彎曲接腳或缺失元件，可能需要數週甚至數月才會累積足夠樣本，建立有用的瑕疵影像庫。
團隊通常得等待報廢品累積，或刻意損壞零件。合成瑕疵生成提供了另一種取得訓練樣本的方式。我們想回答一個具體問題：這些生成影像能否幫助模型辨識真實照片中的瑕疵？
我們測試了什麼
我們選用公開資料集中的 PCB1 子集： VisA 資料集，比較真實瑕疵照片與生成影像。生成工具為 OV Defect Creator Studio。可用訓練池包含 50 張真實瑕疵影像與 50 張生成影像，涵蓋刮痕、接腳彎曲、元件缺失與熔融瑕疵。
基準測試使用的實際零件
一塊電路板，四類瑕疵
PCB1 呈現的是 HC-SR04 超音波感測器電路板。外露接腳、藍色塗層、換能器與石英晶體，提供了不同的表面與結構特徵供檢測模型學習。
VisA 影像由 Zou 等人提供，授權條款為 CC BY 4.0。裁切與標註由 Overview AI 完成。
相同模型，相同真實測試影像。
- 採用標準開源 U-Net 分割模型，各組比較維持相同模型設定。
- 使用不同比例的真實與生成瑕疵影像，並以多個隨機種子測試。
- 每組比較使用相同的保留真實測試影像。
- 在良品誤剔除率上限為 2% 的條件下，衡量瑕疵檢出率。
誤剔除是將良品錯誤判定為不良品。固定這個上限能讓比較更有意義：模型無法只靠多剔除良品來提高結果。本實驗透過一致的模型衡量訓練資料的價值。
進一步了解訓練設定
U-Net 使用 ResNet-34 編碼器、512 × 512 輸入與固定的最佳化步數預算。每種訓練組合中的瑕疵影像，都搭配相同數量的無瑕疵影像。維持設定一致，有助於釐清更換瑕疵資料所帶來的影響。
每個隨機種子都會重新抽取真實影像子集。樣本量小時，哪些影像進入訓練可能大幅影響結果。多個隨機種子讓我們得以觀察不同抽樣與訓練執行的表現。
訓練與評估前，我們也統一了電路板方向。PCB1 中的電路板以兩種相反方向拍攝，而方向與良品或不良品標籤具有相關性。對齊影像與遮罩可消除這個捷徑，讓比較更直接聚焦於瑕疵。
結果：追平並超越真實資料基準
以 50 張真實瑕疵照片訓練時，平均檢出率為 84%；僅用 10 張時，平均值為 58%。這就是團隊在真實瑕疵樣本還不多時面臨的差距。
在這 10 張真實照片中加入 50 張生成影像後，結果改變了。多個隨機種子的測試中，一次執行追平 84% 的基準，另一次達到 86%，以少 40 張真實瑕疵照片的訓練資料超越基準。
追平基準
84%
10 張真實 + 50 張生成 · 一個隨機種子
超越基準
86%
10 張真實 + 50 張生成 · 另一個隨機種子
這些個別執行結果顯示，生成樣本能幫助檢測模型以更少的真實瑕疵資料達到真實資料基準。對製造商而言，這是在罕見樣本仍難取得時，擴大訓練涵蓋範圍的實用途徑。
刮痕檢出率提升至兩倍以上
最明顯的改善出現在刮痕。僅使用 10 張真實瑕疵影像時，模型檢出 33% 的刮痕；加入 50 張生成影像後，檢出率提升至 75%，不需要額外蒐集任何真實瑕疵照片。
加入 50 張生成影像帶來的提升
在 10 張真實瑕疵照片中加入 50 張生成影像前後的平均檢出率：刮痕 33% 至 75%、元件缺失 31% 至 58%、接腳彎曲 76% 至 96%、熔融瑕疵 69% 至 84%。
- 刮痕
- 10 張真實影像: 33%
- 10 張真實 + 50 張生成: 75%
- 元件缺失
- 10 張真實影像: 31%
- 10 張真實 + 50 張生成: 58%
- 接腳彎曲
- 10 張真實影像: 76%
- 10 張真實 + 50 張生成: 96%
- 熔融瑕疵
- 10 張真實影像: 69%
- 10 張真實 + 50 張生成: 84%
元件缺失檢出率也從 31% 提升至 58%；接腳彎曲從 76% 提升至 96%；熔融瑕疵從 69% 提升至 84%。這組以 10 張真實影像為基礎的比較中，四類瑕疵都獲得改善。
這正是合成資料特別有用之處：為模型補充小型真實資料集中代表性不足的瑕疵樣本。工程師可直接生成特定變化並衡量效果，不必等待下一塊損壞的電路板。
查看真實與生成的瑕疵
下方範例來自本研究。選擇瑕疵類型，比較 VisA 真實照片與生成訓練樣本。輪廓是瑕疵區域的人工標註，並非檢測模型的預測結果。
刮痕：真實與生成比較
33% → 75% 檢出率左右滑動查看範例，或使用下方連結開啟完整尺寸影像。
留意藍色塗層被刮除後的淺色磨損。範例在長度、方向與平行痕跡數量上有所不同。讓模型學習這些變化，比重複單一明顯刮傷更有幫助。
查看完整尺寸的 刮痕 範例 ↗檢出率為多個隨機種子的平均值並經四捨五入，比較 10 張真實瑕疵影像在加入 50 張生成影像前後的表現，良品誤剔除率上限為 2%。影像來源： VisA，Zou 等人，採用 CC BY 4.0授權條款。裁切、標註與合成修改由 Overview AI 完成。
我們如何建立生成訓練集
每張生成影像都以訓練子集中的無瑕疵電路板為起點。操作人員利用 OV Defect Creator Studio 在板上加入瑕疵，再為瑕疵材料繪製分割遮罩。生成集涵蓋與真實訓練池相同的四類瑕疵，也包含少量具有多個瑕疵的電路板。
視覺細節很重要。這類電路板的刮痕通常是穿過塗層的淺色磨損；接腳彎曲表現為接腳位置偏移；元件缺失則露出原先遮蓋的表面或焊墊。訓練集必須呈現這些具體外觀，而不只是籠統的「刮痕」或「彎曲」標籤。
熔融範例說明，只涵蓋類別還不夠。真實樣本既有接腳與焊墊周圍的沉積物，也有石英晶體金屬外殼上的沉積物；上方生成範例則集中於接腳與焊墊。觀察這些差異可明確指出下一輪生成的方向：補上尚未涵蓋的外觀，而非重複同一種樣式。
這些數字對視覺檢測的意義
結果支持一套實用流程：從現有真實瑕疵影像出發，以生成樣本補齊缺口，再用真實影像驗證。漏檢刮痕的模型需要更完善的刮痕影像庫；漏檢某種彎曲接腳形狀的模型，需要該形狀的樣本。
這項測試採用標準 U-Net 與一個電路板資料集。這些百分比描述的是本實驗，並非 Overview AI 相機或完整產線檢測系統的效能。固定模型讓我們能檢視生成訓練資料的貢獻。
機會在於縮短取得有效訓練樣本的等待時間。團隊可更早涵蓋已知但罕見的失效模式，再隨著真實產線影像增加，持續改善檢測。
常見問題
合成資料能訓練模型偵測真實瑕疵嗎？
可以。在 VisA PCB1 基準測試中，以 10 張真實瑕疵影像與 50 張生成影像訓練的標準 U-Net，在一個隨機種子下追平 84% 的真實資料基準，在另一個種子下達到 86%。評估使用真實影像，良品誤剔除率上限為 2%。
哪些瑕疵受益於生成的訓練影像？
在 10 張真實瑕疵影像中加入 50 張生成影像後，平均刮痕檢出率從 33% 提升至 75%，元件缺失從 31% 提升至 58%，接腳彎曲從 76% 提升至 96%，熔融瑕疵從 69% 提升至 84%。這些四捨五入後的結果均採用相同的 2% 良品誤剔除率上限。
這項基準測試評估的是 Overview AI 相機嗎？
本測試使用標準開源 U-Net 分割模型，衡量 OV Defect Creator Studio 訓練資料的貢獻，並非評估 Overview AI 相機或其產線檢測軟體的效能。
何必等上數月蒐集罕見瑕疵？
使用 OV Defect Creator Studio 在您的產品影像上生成樣本，開始建立檢測所需的瑕疵涵蓋範圍。