Visual Inspection Toolbox
Anwendungen für die visuelle Inspektion und Analyse entwickeln und testen
Haben Sie noch Fragen? Vertrieb kontaktieren.
Die Visual Inspection Toolbox bietet Apps, Algorithmen und KI-Modelle für die Entwicklung, das Testen und die Bereitstellung von Anwendungen zur visuellen Inspektion und Analyse. Sie können Anomalien erkennen, Objekte zählen, Formen abgleichen, Messungen durchführen und synthetische Bilder generieren. Durch die Kombination von KI-Modellen mit herkömmlicher Bildverarbeitung können Sie Workflows für Inspektion und Analyse entwickeln und im Hinblick auf Zuverlässigkeit, Genauigkeit und Benutzerfreundlichkeit für verschiedene Anwendungen optimieren.
Die Toolbox verkürzt in Kombination mit anderen MATLAB-Produkten den Weg vom Prototyping bis zur Produktion und ermöglicht die Entwicklung einer vollständigen Lösung für die visuelle Inspektion. Folgende Optionen stehen Ihnen zur Verfügung:
- Machine-Vision-Kameras anbinden (mit Image Acquisition Toolbox)
- eigenständig ausführbare Desktop-Dashboards und Apps erstellen (mit MATLAB Compiler)
- Inspektionsalgorithmen mithilfe von generiertem Code auf Edge-Geräten bereitstellen (mit MATLAB Coder und GPU Coder)
- KI-Modelle in ONNX™ exportieren
Visuelle Anomalieerkennung
Erkennen, klassifizieren und lokalisieren Sie Anomalien mithilfe von Deep Learning. Trainieren Sie mit Bildern ohne Anomalien, identifizieren Sie unbekannte Defekte, optimieren Sie Schwellenwerte, visualisieren Sie Defektbereiche und berechnen Sie Metriken.
Messung
Messen Sie Abstände, Winkel und geometrische Merkmale in kalibrierten realen Einheiten. Korrigieren Sie perspektivische Verzerrungen und Linsenverzeichnungen, verwenden Sie Messschieber-Tools und führen Sie präzise Maßprüfungen durch.
Objekterkennung und -zählung
Erkennen, lokalisieren und zählen Sie Objekte für Anwendungen zur visuellen Inspektion. Erstellen Sie YOLOX-basierte Detektoren, generieren Sie Trainingsdaten, identifizieren Sie kleine Objekte in großen Bildern und zählen Sie Objekte mithilfe von exemplarbasierten Deep-Learning-Modellen.
Shape Matching
Erkennen und lokalisieren Sie Objekte in Bildern mithilfe von kantenbasiertem Shape Matching. Erstellen Sie Formmodelle anhand von Vorlagenbildern und durchsuchen Sie anschließend Inspektionsbilder nach Objektinstanzen, die mit diesen Modellen übereinstimmen.
Synthetische Bilderzeugung
Generieren Sie synthetische Trainingsdaten für Anwendungen zur visuellen Inspektion. Erstellen Sie gelabelte Datensätze, indem Sie Objekte in Bilder einfügen, und ermöglichen Sie so das effiziente Training von Modellen zur Objekterkennung und Instanzsegmentierung.
Einsatz und Codegenerierung
Stellen Sie Inspektionsalgorithmen und KI-Modelle mithilfe von generiertem C/C++ Code oder CUDA®-Code auf Edge-Geräten bereit. Exportieren Sie Modelle in ONNX zur Verwendung in externen Frameworks. Erstellen Sie eigenständig ausführbare Inspektions-Dashboards und Apps (mit MATLAB Compiler).
Live-Inspektion mit Kameras
Verwenden Sie die Image Acquisition Toolbox, um eine Verbindung zu GigE Vision-, GenICam- und anderen Kameras nach Industriestandard herzustellen. So können Sie Algorithmen für die visuelle Inspektion anhand derselben Bilder entwickeln und validieren, die von Ihrem Produktionssystem erfasst werden.
Produktressourcen:
„Anfangs war ich mit diesen Methoden noch nicht besonders vertraut, aber die Softwareentwickler von MathWorks haben mir viel über die zugrunde liegenden Funktionsprinzipien vermittelt.“
FAQs zur Visual Inspection Toolbox
Bei der visuellen Inspektion werden gefertigte Bauteile, Baugruppen oder Umgebungen untersucht, um Defekte zu erkennen, Abmessungen zu überprüfen und die Einhaltung von Qualitätsstandards sicherzustellen, wie sie beispielsweise in der Fertigungs-, Automobil- und Bauindustrie sowie der Luft- und Raumfahrtindustrie üblich sind.
Automatisierte Systeme zur visuellen Inspektion nutzen hochauflösende Kameras und Software, die sowohl Deep Learning als auch herkömmliche Machine-Vision-Algorithmen unterstützt, wie MATLAB, die Visual Inspection Toolbox und die Image Acquisition Toolbox, um Defekte im Mikro- oder Nanometerbereich effizient zu erkennen, die für das menschliche Auge nur schwer zu erkennen sind.
MATLAB unterstützt über die Visual Inspection Toolbox Student-Teacher-Modelle, PatchCore, FastFlow und FCDD (Fully Convolutional Data Description), die sich jeweils hinsichtlich Trainingsgeschwindigkeit, Modellgröße und der Verarbeitung unterschiedlicher Bildgrößen unterscheiden.
Ja, MATLAB unterstützt sowohl unüberwachte Methoden zur Anomalieerkennung, wenn Bilder mit Anomalien selten oder sehr unterschiedlich sind, als auch überwachte Methoden zur Objekterkennung wie YOLOX, wenn ausreichend Bilder mit Anomalien für das Training verfügbar sind.
Der Prozess zur Defekterkennung umfasst drei Hauptphasen: die Datenvorbereitung (einschließlich Bildvorverarbeitung und Labeling), die Anwendung klassischer Algorithmen (Messung und Shape Matching) oder die KI-Modellierung (Training von Anomaliedetektoren oder Objekterkennungsmodellen) sowie die Bereitstellung auf Embedded Hardware oder als eigenständig ausführbare Anwendungen.
MATLAB bietet Funktionen zur Rauschunterdrückung, kantenerhaltenden Glättung, Farbraumkonvertierung, Kontrastverbesserung und für morphologische Operationen. Darüber hinaus umfasst MATLAB die Registration Estimator-App zur Ausrichtung nicht korrekt ausgerichteter Bilder sowie die Image and Video Labeler-App, mit der sich der Labeling-Prozess mithilfe benutzerdefinierter Algorithmen für die semantische Segmentierung oder Objekterkennung automatisieren lässt.
Ja, MATLAB ermöglicht mithilfe von Frameworks zur Codegenerierung die Bereitstellung von Deep-Learning-Netzwerken und klassischen Algorithmen auf verschiedenen Embedded-Hardwareplattformen, darunter NVIDIA-Grafikkarten, Intel- und ARM-CPUs sowie SoCs und FPGAs von Xilinx und Intel. MATLAB unterstützt außerdem den Export von KI-Modellen in das ONNX-Format und ermöglicht so die Integration in externe Frameworks.
Plansee verwendet MATLAB zur Entwicklung eines KI-basierten Systems zur visuellen Anomalieerkennung, das beschädigte Ofenträger automatisch erkennt, bevor sie in Hochtemperaturöfen gelangen. Dadurch lassen sich Stillstandszeiten reduzieren, Schäden an den Öfen vermeiden und die Zuverlässigkeit der Produktion verbessern. Musashi Seimitsu Industry verwendet MATLAB zur Inspektion von rund 1,3 Millionen Kegelradkomponenten für die Automobilindustrie pro Monat. Airbus wiederum entwickelte ein KI-Modell zur automatischen Erkennung von Defekten an verschiedenen Luftfahrzeugkomponenten, bevor diese in Betrieb genommen werden.
Visual Inspection Toolbox kostenlos ausprobieren
Entdecken Sie noch heute die Möglichkeiten.
Bereit zum Kauf?
Angebot anfordern und Erweiterungsprodukte entdecken.
Studieren Sie?
Ihre Hochschule bietet möglicherweise bereits Zugang zu MATLAB, Simulink und Add-on-Produkten über eine Campus-Wide License.
