Main Content

Die Übersetzung dieser Seite ist veraltet. Klicken Sie hier, um die neueste Version auf Englisch zu sehen.

Automatisierte Sichtprüfung

Automatisieren von Qualitätskontroll-Aufgaben mithilfe Anomalieerkennungs- und Lokalisierungsmethoden

Die automatische visuelle Inspektion (AVI) ist eine Reihe von Techniken, mit denen Mängel an hergestellten Produkten erkannt und klassifiziert werden können. Für moderne visuelle Inspektionen kommen Machine-Learning- und Deep-Learning-Algorithmen zum Einsatz, um die Qualitätssicherungsprozesse zu unterstützen und zu verbessern.

Eine benutzerdefinierte Mängelerkennung muss in der Lage sein, Mängelstellen in einem Bild präzise zu ermitteln und die Mängelkategorie festzulegen. Im Allgemeinen lassen sich Mängel unterschiedlicher Größe mit modernen überwachten Deep-Learning-Modellen wie den neuesten YOLO-Algorithmen (You Only Look Once) erkennen. Die besten Modelle können Mängel in Echtzeit erkennen und charakterisieren.

Sie können Deep-Learning-Methoden zur Anomalieerkennung verwenden, um zu ermitteln, ob ein Bild eines hergestellten Produkts normal oder anomal ist. Zudem können Sie mithilfe von Anomalie-Lokalisierung präzise und beurteilbare Ergebnisse erzeugen. Mit dieser Methode können Sie mit einer Anomaliekarte eine Visualisierung der Mängel erstellen.

Welches Modell Sie zur Automatisierung einer visuellen Inspektion wählen sollten, hängt von mehreren Faktoren ab. Zu diesen Faktoren zählt die Menge an verfügbaren Trainingsdaten für normale und anomale Proben, die Anzahl der zu erkennenden Anomalieklassen und die Art der Lokalisierungsinformationen, die zum Verständnis und zur Überwachung der Prognosen benötigt werden. Weitere Informationen finden Sie unter Getting Started with Anomaly Detection Using Deep Learning.

Um eine automatische visuelle Inspektion durchzuführen, laden Sie die Computer Vision Toolbox™ Automated Visual Inspection Library über den Add-On Explorer herunter. Weitere Informationen zum Herunterladen von Add-Ons finden Sie unter Add-Ons herunterladen und verwalten. Einige Funktionen benötigen zudem die Deep Learning Toolbox™.

Funktionen

alle erweitern

groundTruthGround truth label data
imageDatastoreDatastore for image data
sceneLabelTrainingDataCreate training data for scene classification from ground truth (Seit R2022b)
splitAnomalyDataSplit data into training, validation and testing sets for anomaly detection (Seit R2023a)
trainFCDDAnomalyDetectorTrain fully convolutional data description (FCDD) anomaly detection network (Seit R2022b)
trainFastFlowAnomalyDetectorTrain FastFlow anomaly detection network (Seit R2023a)
trainPatchCoreAnomalyDetectorTrain PatchCore anomaly detection network (Seit R2023a)
anomalyThresholdOptimal anomaly threshold for set of anomaly scores and corresponding labels (Seit R2022b)
fcddAnomalyDetectorDetect anomalies using fully convolutional data description (FCDD) network for anomaly detection (Seit R2022b)
fastFlowAnomalyDetectorDetect anomalies using FastFlow network (Seit R2023a)
patchCoreAnomalyDetectorDetect anomalies using PatchCore network (Seit R2023a)
classifyClassify image as normal or anomalous (Seit R2022b)
predictPredict unnormalized anomaly scores (Seit R2022b)
yoloxObjectDetectorDetect objects using YOLOX object detector (Seit R2023b)
trainYOLOXObjectDetectorTrain YOLOX object detector (Seit R2023b)
detectDetect objects using YOLOX object detector (Seit R2023b)
anomalyMapPredict per-pixel anomaly score map (Seit R2022b)
anomalyMapOverlayOverlay heatmap on image using per-pixel anomaly scores (Seit R2022b)
viewAnomalyDetectionResultsView anomaly detection results (Seit R2022b)
evaluateAnomalyDetectionEvaluate anomaly detection results against ground truth (Seit R2022b)
anomalyDetectionMetricsAnomaly detection metrics (Seit R2022b)
vision.loadYOLOXObjectDetectorLoad YOLOX object detector model for code generation (Seit R2023b)

Themen

Enthaltene Beispiele