Anomalien erkennen ohne Schlecht-Bilder
Jeden Fehler keinmal machen
Anomaly Detection
Abhilfe kann die Anomaly-Detection-Technologie schaffen, die in die Machine-Vision-Standardsoftware MVTec integriert ist. Anomaly Detection benötigt für die Defekterkennung nur noch sogenannte ‚Gut-Bilder‘, also solche, die den jeweiligen Gegenstand in fehlerlosem Zustand zeigen. Diese lassen sich einfacher erzeugen als ‚Schlecht-Bilder‘, was Zeit und Kosten spart. Ein weiterer Vorteil: Die Daten müssen zudem nicht gelabelt werden und es sind deutlich weniger Bilder für das Training erforderlich. So genügen bereits 20 bis maximal 100 Bilder, um passable Erkennungsergebnisse zu ermöglichen. Die möglichen Fehler müssen zudem nicht im Vorfeld bekannt sein, da die Software-Algorithmen Abweichungen vom trainierten Soll-Zustand erkennen.
Fehler pixelgenau erkennen
Ein Beispiel: Getränkeabfüller müssen jedes Gefäß vor der Befüllung auf Schäden prüfen. Die Anomaly-Detection-Technologie entdeckt und lokalisiert dabei unterschiedliche Mängel, die in ihrer speziellen Ausprägung vor dem Prüfvorgang nicht bekannt sind, beispielsweise kleine Sprünge, Kerben oder Risse am Flaschenhals. Nach dem Training wird im Rahmen der Inferenz, also der Ausführung des Prüfschrittes, eine sogenannte ‚Anomaly Map‘ erstellt. Diese hebt anhand eines Grauwerts spezielle Regionen hervor, in denen eine Anomalie sehr wahrscheinlich ist. Durch diese Segmentierung können Fehler pixelgenau entdeckt, lokalisiert und in der Größe bestimmt werden.
Nur gute Bilder erforderlich
Mit Machine Vision lässt sich die Fehlerinspektion im Rahmen der Qualitätssicherung weitgehend automatisieren. Dabei kann die Deep-Learning-basierte Erkennungstechnologie Anomaly Detection mit wenigen, ausschließlich guten Trainingsbildern und ohne Labeling auch unbekannte Fehler sicher erkennen.
