- Anzeige -
- Anzeige -
- Anzeige -
- Anzeige -
Lesedauer: min
Anomaly Detection

Nov 11, 2019 | Künstliche Intelligenz

Anomaly Detection

Anomalien einfach und zielsicher mit wenigen Bildern erkennen

Bild: MVTec Software GmbH

Deep-Learning-Verfahren werden sowohl für die Identifikation von Objekten als auch für die Detektion von Fehlern eingesetzt. Mit der Anomaly Detection in Halcon 19.11 lassen sich nun auch Anomalien lokalisieren, deren Aussehen und Erscheinungsform im Vorfeld nicht bekannt sind. Dabei werden defektfreie Bilder für das Training genutzt, was den Aufwand deutlich reduziert.


Die industrielle Bildverarbeitung spielt eine wichtige Rolle bei der Fehlerinspektion im Rahmen der Qualitätssicherung von Produkten. Hierbei kommen regelbasierte Systeme ebenso zur Anwendung wie moderne Technologien auf Basis von künstlicher Intelligenz (KI). In erster Linie zählt dazu Deep Learning, das auf Convolutional Neural Networks (CNNs) beruht. Regelbasierte Lösungen müssen sehr viele verschiedene Erscheinungsformen von Anomalien abdecken und erfordern daher einen entsprechend hohen Programmieraufwand. Demgegenüber besteht der entscheidende Vorteil von KI-Systemen darin, dass sie durch Training eigenständig dazulernen. Dabei läuft das Aufspüren von Defekten in mehreren Schritten ab: Zunächst muss eine genügend große Anzahl von Trainingsbildern von allen zu erkennenden Defekten gesammelt werden. Diese werden dann gelabelt, also mit einem Etikett versehen, und anschließend wird das zugrundeliegende CNN mit diesen Bildern trainiert.

Einteilung in Klassen durch Labeling-Prozess

In diesem Kontext kommen Deep-Learning-Algorithmen in verschiedenen Erkennungsverfahren zur Anwendung: Bei der Klassifikation werden Objekte oder Fehler rein anhand von Bilddaten in bestimmte Klassen eingeteilt. Bei der Objektdetektion erfolgt der Labeling-Prozess durch das Einzeichnen von Rechtecken. Diese rahmen in jedem einzelnen Bild die zu erkennenden Gegenstände ein und geben dann entsprechend der jeweiligen Applikation die Objektklasse an. So lernt der Deep-Learning-Algorithmus, welche Merkmale zu welcher Klasse passen. Im Ergebnis lassen sich dann Objekte oder Fehler automatisch lokalisieren und einer speziellen Klasse zuordnen. Bei der semantischen Segmentierung schließlich wird jeder einzelne Pixel eines Bildes einer bestimmten Klasse zugewiesen. Das Ergebnis sind Regionen, die einer Klasse zugeordnet werden können. Die Herausforderung bei allen Deep-Learning-basierten Erkennungsmethoden ist allerdings, dass sie oft eine relativ hohe Anzahl von Trainingsbildern erfordern, die alle gelabelt werden müssen, um sie einer Klasse zuzuordnen. Zudem werden für den Trainingsprozess Bilder benötigt, auf denen Objekte mit den zu erkennenden Defekten zu sehen sind. So müssen je nach Anwendung 300 Bilder und mehr aufgenommen werden, die den entsprechenden Gegenstand mit einem bestimmten Fehler wie einem Kratzer oder einer Verformung in verschiedenen Ausprägungen zeigen. Dies zieht einen hohen Aufwand nach sich, den viele Unternehmen scheuen. Überdies gibt es Applikationen, bei denen solche Schlecht-Bilder nicht in ausreichender Anzahl zur Verfügung stehen.

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.

Seiten: 1 2Auf einer Seite lesen

Autor:
Firma:
- Anzeige -

News

- Anzeige -

Weitere Beiträge

Das könnte Sie auch interessieren

Wie KI in der Krise Wirtschaftsleistung unterstützen kann

Künstliche Intelligenz hat einen großen Einfluss auf die Zeit in der Corona-Krise, aber auch nach der Krise ist sie sehr hilfreich. Claudia Bünte ist Expertin auf dem Gebiet der KI und Professorin für ‚International Business Administration‘ mit Schwerpunkt Marketing an der SRH in Berlin. 2016 gründete sie die Marketingberatung ‚Kaiserscholle – Center of Marketing Excellence‘ und berät Top-Manager in Kernfragen der Markenführung und des Marketings.

mehr lesen

Digitalisierung und künstliche Intelligenz optimieren Prozessanlagen

Digitalisierung und künstliche Intelligenz (KI) eröffnen auch in der Prozessautomatisierung Perspektiven für Einsparungen in allen Phasen des Lebenszyklus einer Anlage. Schon verfügbar ist ein digitales Feldgerät, das Festo Motion Terminal VTEM. Auch Dashboards von Festo visualisieren Anlagenzustände und selbst künstliche Intelligenz ist in der Prozessautomatisierung keine ferne Zukunftsmusik mehr.

mehr lesen

Künstliche Intelligenz gezielt in der Wertschöpfung einsetzen

Die Wettbewerbsfähigkeit deutscher produzierender Unternehmen hängt heute mehr denn je von der Fähig-keit ab, komplexen Herausforderungen wie volatilen Märkten effektiv zu begegnen. Insbesondere im industri-ellen Kontext ergeben sich durch eine stetig wachsende Datenverfügbarkeit sowie verbesserte Analysemög-lichkeiten erhebliche Potenziale: „Artificial Intelligence“ (AI), zu Deutsch „Künstliche Intelligenz“ (KI), ermög-licht die Verarbeitung großer Datenmengen und kann dabei helfen, Prognosen abzuleiten und die Entschei-dungsfindung zu erleichtern. Um diese Potenziale abrufen zu können, müssen Unternehmen befähigt wer-den, Künstliche Intelligenz in der Wertschöpfung gezielt einzusetzen.

mehr lesen

Quantensprung für die künstliche Intelligenz

Quantencomputer werden die künstliche Intelligenz und das Maschinelle Lernen tiefgreifend verändern und völlig neue Anwendungsmöglichkeiten erschließen. In einer Studie erläutern Experten der Fraunhofer-Allianz Big Data und künstliche Intelligenz gemeinsam mit wissenschaftlichen Partnern, wie Quantencomputer Verfahren des Maschinellen Lernens beschleunigen können und welche Potenziale ihr Einsatz in Industrie und Gesellschaft mit sich bringen wird. Die Studie stellt grundlegende Konzepte und Technologien des Quantencomputings vor, analysiert die aktuelle Forschungs- und Kompetenzlandschaft und zeigt Marktpotenziale auf.

mehr lesen

KI-Studie 2020: Das Fremdeln des Top-Managements mit KI

Künstliche Intelligenz ist eine wichtige Technologie, von der sich Unternehmen handfeste Wettbewerbsvorteile versprechen. Das ist das Ergebnis einer aktuellen Studie des IT-Dienstleisters Adesso unter Führungskräften. Konkrete Projekte haben allerdings bislang nur wenige Firmen umgesetzt. Besonders zurückhaltend zeigt sich bei dem Thema das Top-Management.

mehr lesen

„Ethik muss Teil des Entwicklungsprozesses sein“

Der zunehmende Einsatz künstlicher Intelligenz (KI) in der Entwicklung neuer Medizin-Technologien verlangt auch die verstärkte Berücksichtigung ethischer Aspekte. Ein interdisziplinäres Team der Technischen Universität München (TUM) spricht sich dafür aus, Ethik von Beginn an in den Entwicklungsprozess neuer Technologien zu integrieren. Alena Buyx, Professorin für Ethik der Medizin und Gesundheitstechnologien, erklärt den sogenannten ‚embedded ethics approach‘.

mehr lesen

Schutz der Privatsphäre und KI in Kommunikationssystemen

Alle zwei Jahre vergeben der VDE, die Deutsche Telekom sowie die Städte Friedrichsdorf und Gelnhausen den mit 10.000 Euro dotierten Johann-Philipp-Reis-Preis an einen Nachwuchswissenschaftler. Dieses Jahr geht er an Prof. Dr.-Ing. Delphine Reinhardt von der Georg-August-Universität Göttingen und an Dr.-Ing. Jakob Hoydis von den Nokia Bell Labs in Nozay, Frankreich. Die beiden Preisträger teilen sich die Auszeichnung und damit das Preisgeld.

Infor bringt Infor Coleman AI auf den Markt

Infor, Anbieter von branchenspezifischer Business-Software für die Cloud, hat bekanntgegeben, dass die Plattform Infor Coleman AI für Embedded-Machine-Learning-Modelle ab sofort verfügbar ist. Sie bietet die Geschwindigkeit, Wiederholbarkeit und Personalisierung, die Unternehmen benötigen, um KI vollständig zu operationalisieren.