Bild 2 | Mit dem neuen Feature ab Halcon 19.11 lassen sich Anomalien zielsicher lokalisieren und die Anzahl der Bilder für das Training der Algorithmen auf 20 bis maximal 100 Bilder reduzieren. (Bild: MVTec Software GmbH)
Erkennung von Anomalien
Eine praktikable Lösung hierfür bietet MVTec mit Halcon 19.11. Darin ist ein neues Feature namens Anomaly Detection integriert, das die Erkennung von Anomalien auf eine neue Stufe hebt. Das Besondere an dem Tool ist, dass es mit sehr wenigen Trainingsbildern auskommt. So reichen für das Training des Deep-Learning-Netzes nur etwa 20 bis maximal 100 Bilder aus. Zudem werden keine Schlecht-Bilder mehr benötigt. Das System ist in der Lage, den Trainingsprozess rein anhand von defektfreien Bildern durchzuführen. Nach dem Training werden in allen weiteren Bildern Abweichungen verschiedenster Art zielsicher lokalisiert. Für diese Art der Fehlererkennung ist es also nicht mehr notwendig, vorab Trainingsbilder von defektbehafteten Objekten zu labeln. Damit lassen sich deep-learning-basierte Inspektionsaufgaben noch effizienter und mit wesentlich geringerem Aufwand realisieren. Mit dem neuen Feature werden somit auch Anomalien entdeckt, deren Aussehen vorher nicht bekannt ist. Diese Abweichungen können sich etwa auf die Farbe, die Struktur oder auch auf eine Kontaminierung beziehen. Beispielsweise kann ein Getränkeabfüller bei der Prüfung der Gefäße kleine Kratzer, Risse oder Sprünge am Flaschenhals verlässlich lokalisieren. Dabei wird im Rahmen des Trainingsprozesses eine so genannte Anomaly Map erstellt. Auf dieser werden Bereiche, in denen eine Anomalie wahrscheinlich ist, mit einem Grauwert belegt. Durch die Segmentierung dieses Bildes lässt sich pixelgenau feststellen, an welchen Stellen sich mit hoher Wahrscheinlichkeit ein Defekt befindet und wie groß dieser ist. Mit Halcon 19.11 ließ sich dieser Prozess in Tests mit nur 20 Trainingsbildern innerhalb von sechs Minuten realisieren.
Fazit
Deep-Learning-basierte Methoden zur Fehlererkennung erfordern in der Regel eine hohe Anzahl von Trainingsbildern, auf denen das Objekt mit dem jeweiligen Defekt zu sehen ist. Mit dem neuen Feature Anomaly Detection lässt sich für das Training die Anzahl auf 20 bis maximal 100 Bilder reduzieren. Zudem können diese defektfrei sein, d.h. sie müssen die zu erkennende Anomalie nicht im Motiv zeigen. Damit entfällt auch das Labeln der Bilder, was den Aufwand und die Kosten für Unternehmen deutlich senkt.
