Kommen Technologien wie KI, allen voran auf Basis von Deep Learning, bei der Fehleridentifikation zum Einsatz, benötigen sie in der Regel sehr viele Trainingsbilder. Die Bilder müssen nicht nur beschafft, sondern vor dem eigentlichen Training auch noch gelabelt werden. Eine solche Etikettierung verursacht einen enormen Aufwand, insbesondere bei einer sehr großen Anzahl von Bildern. Eine weitere Herausforderung besteht darin, dass sämtliche Trainingsbilder das zu findende Objekt oder den zu erkennenden Fehler explizit zeigen müssen. Auch die Erzeugung von Schlecht-Bilder ist mit einem hohen Aufwand verbunden, wenn überhaupt möglich. Denn für passable Erkennungsraten bedarf es je nach Anwendung einer Vielzahl von Bildern.
Defektfreie Bilder für Training
MVTec hat mit Anomaly Detection eine neue Technologie entwickelt, mit der sich diese Herausforderungen optimal adressieren lassen. Der Vorteil: Das Feature benötigt für die Fehlerinspektion ausschließlich sogenannte Gut-Bilder, also solche, die das jeweilige Objekt in fehlerlosem Zustand zeigen. Diese lassen sich wesentlich einfacher generieren als Schlecht-Bilder. Darüber hinaus müssen die Bilder nicht mehr zusätzlich gelabelt werden, da sie ja keinerlei Fehler enthalten. Ein weiterer Vorteil besteht darin, dass die Technologie für das Training wesentlich weniger Bilder erfordert als herkömmliche, KI-basierte Inspektionsverfahren. So genügen meist bereits 20 Bilder, um valide Erkennungsraten zu erzielen. Dies ermöglicht es Fertigungsunternehmen, den Aufwand für die Qualitätskontrolle signifikant zu reduzieren. Die Software Halcon beinhaltet diese Technologie bereits. Jetzt ist der komplette Funktionsumfang von Anomaly Detection auch in Merlic 5, der aktuellen Version der All-in-One-Bildverarbeitungssoftware, integriert. Damit können Anwender verschiedenste Visionanwendungen sehr einfach zusammenstellen, auch wenn sie über keine tiefergehenden Programmier- und Bildverarbeitungskenntnisse verfügen. Ermöglicht wird dies durch eine bildzentrierte Benutzeroberfläche, die den Nutzer durch den gesamten Erstellungsprozess führt. Zudem überzeugt Merlic mit weiteren Pluspunkten hinsichtlich des integrierten Bildeinzugs, der Kommunikation mit der jeweiligen Anlagensteuerung und der Visualisierung des Prozesses für den Anlagenbetreiber.
Bild 2 | Anomaly Detection mit Merlic am Beispiel der Inspektion von Flaschenhälsen: Die Heatmap visualisiert den Defekt. – Bild: MVTec Software GmbH Bild 1 | Anomalieerkennung per KI bei der Prüfung von Leiterbahnen in der Elektronikindustrie mit Merlic: Die farbige Fläche markiert den defekten Bereich. Für das Training werden ausschließlich sogenannte Gut-Bilder benötigt, also solche, die das jeweilige Objekt in fehlerlosem Zustand zeigen. – Bild: MVTec Software GmbH
GUI vereinfacht Anwendungserstellung
Das Graphical User Interface (GUI) ist mit einem What-You-See-Is-What-You-Get-Editor (WYSIWYG) vergleichbar, bei dem die visuelle Darstellung sämtlicher Bildverarbeitungsfunktionen im Mittelpunkt steht. Es werden also keinerlei programmiertypische Elemente wie komplexe Codes, Befehlszeilen oder Parameterlisten benötigt. Zudem enthält die Software eine umfassende Tool-Bibliothek mit Standardwerkzeugen für Bildeinzug, Kalibrierung, Ausrichtung, Messen, Zählen, Prüfen, Lesen, Positionsbestimmung und Fehlererkennung. Durch die Integration von Anomaly Detection in Merlic lassen sich die Funktionen zur einfachen Fehlererkennung nun in vollem Umfang durch einen noch breiteren Anwenderkreis nutzen. Ein konkretes Praxisbeispiel hierfür ist die Identifikation von Defekten auf Flaschenhälsen. Getränkeabfüller können mithilfe der Technologie selbst kleinste Kratzer, Risse oder Sprünge auf der Glasoberfläche automatisiert lokalisieren. Auch in weiteren Anwendungsfällen wie zum Beispiel in der Elektronikfertigung lässt sich Anomaly Detection einsetzen – etwa zur Überprüfung von Lötstellen und Leiterbahnen. Und auch in der Holzverarbeitung werden so Fehler zuverlässig gefunden, obwohl die Varianz der zu prüfenden Hölzer sehr hoch ist.
www.mvtec.com
