Struktur vs. Logik

Anomaly Detection versteht nun auch den Inhalt von Bildern
Bereits seit einiger Zeit bietet MVTec in Halcon mit der Deep-Learning-basierten Technologie Anomaly Detection robuste Fehler-Erkennung mit geringem Trainingsaufwand an. Mit dem neuen Feature Global Context Anomaly Detection in Halcon 22.05 lassen sich noch anspruchsvollere Aufgaben umsetzen. Dabei werden jetzt auch logische Inhalte des ganzen Bildes 'verstanden'.

Dank Deep-Learning-basierten Anwendungen wie Anomaly Detection konnte der bisherige Trainingsaufwand deutlich verringert und die Effizienz gesteigert werden. Allerdings hat die Technologie ihre Grenzen: Es wurden bisher lediglich lokal begrenzte, strukturelle Anomalien erkannt. Mit dem neuen Feature Global Context Anomaly Detection, das erstmals in Halcon 22.05 verfügbar ist, geht MVTec nun einen Schritt weiter. Die Technologie ist in der Lage, komplett neue Varianten von Anomalien wie beispielsweise fehlende, verformte oder falsch angeordnete Bauteile zu erkennen. Damit ist die Fehlererkennung nicht mehr auf lokale Defekte beschränkt, sondern ermöglicht die inhaltliche und logische Inspektion. Dies eröffnet neue Möglichkeiten wie etwa bei der Inspektion von Leiterplatten in der Halbleiterfertigung oder der Prüfung von Aufdrucken.

Ein Beispiel sind Getränkeflaschen: Anomaly Detection kann Fehler wie Defekte auf dem Etikett oder Schäden an der Flasche erkennen. Global Context Anomaly Detection hingegen erlernt und identifiziert inhaltliche beziehungsweise logische Fehler, z.B. um den Zusammenhang zwischen Inhalt und Füllung wahrzunehmen. So erkennt die Technologie, dass zu einem roten Kirschsaft ein Logo mit einer Kirsche gehört. Demzufolge wird eine Banane auf dem Kirschsaft als Fehler eingestuft. Auch ein Etikett in falscher Position kann nun als Mangel identifiziert werden. Die logische Fehlererkennung lässt sich in zahlreiche weitere Anwendungen übertragen. So kann Global Context Anomaly Detection fehlende oder falsch installierte Bauteile auf Leiterplatten oder fehlende Beschriftungen identifizieren oder Vollständigkeitsprüfungen durchführen. Soll beispielsweise eine Packung eine bestimmte Anzahl an Schrauben und Muttern enthalten, lernt der Algorithmus anhand der Trainingsdaten selbstständig die korrekte Anzahl und erkennt präzise, wenn zu wenige oder zu viele Teile vorhanden sind. Dabei werden je nach Anwendung nur 100 Gut-Bilder für ein Training benötigt, welches sich in nur wenigen Stunden abschließen lässt.

www.mvtec.com

Das könnte Sie auch Interessieren