Bild 2 | Im Rahmen der Deep-Learning-basierten Defekterkennung lassen sich sowohl Schlecht-Bilder als auch Gut-Bilder nutzen. (Bild: MVTec Software GmbH)
Gut-Bilder zur Defekterkennung
Anomaly Detection überzeugt mit drei Vorteilen und vereinfacht den Prozess der Deep-Learning-basierten, automatisierten Fehlerinspektion: Erstens sind für die Defekterkennung nur noch Gut-Bilder erforderlich, also Bilder, die das entsprechende Objekt in fehlerlosem Zustand zeigen. Diese lassen sich mit deutlich weniger Aufwand generieren als Schlecht-Bilder. Der zweite Vorteil besteht darin, dass der komplette Labeling-Prozess entfällt. Da auf den Bildern keine Fehler mehr zu erkennen sind, muss auch nichts gelabelt werden. Der dritte Vorteil: Das Training erfordert deutlich weniger Bilder, als dies bei regulären, KI-basierten Inspektionsverfahren der Fall ist. So reichen bereits 20 bis maximal 100 Bilder aus, um akzeptable Erkennungsraten zu erzielen. So lassen sich durch Anomaly Detection Defekte aufdecken, die im Vorfeld nicht bekannt waren, denn die Software-Algorithmen sind in der Lage, sämtliche Abweichungen vom trainierten Soll-Zustand verlässlich zu erkennen.
Trainieren in wenigen Sekunden
Für noch zuverlässigere Erkennungsergebnisse sorgt die sogenannte Anomaly Map. Diese erzeugt die Software im Anschluss an das Training im Zuge der Inferenz, also während der Ausführung des Prüfschrittes. Auf der Map werden anhand eines Grauwerts spezielle Bereiche visualisiert, die mit hoher Wahrscheinlichkeit eine Anomalie aufweisen. Durch die Segmentierung können Fehler pixelgenau identifiziert, lokalisiert und deren Größe bestimmt werden. Durch die kontinuierliche Weiterentwicklung hat MVTec den Rahmen dessen, was mit Anomaly Detection möglich ist, seit dem initialen Release deutlich erweitert. Das Trainieren eines neuen Netzes ist jetzt meist in wenigen Sekunden abgeschlossen, so dass Benutzer viele Iterationen zur Feinabstimmung ihrer Anwendung durchführen können, ohne viel Zeit zu verlieren. Die ebenfalls beschleunigte Inferenz, kombiniert mit einem geringeren Speicherbedarf trainierter Netze, ermöglicht darüber hinaus weitere Einsatzmöglichkeiten auf Embedded-Geräten.
