Anomaly Detection

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

Anzeige

Anzeige

Das könnte Sie auch Interessieren

Bild: Abat AG
Bild: Abat AG
Forschungskooperation verlängert

Forschungskooperation verlängert

Bild: Abat AG Voneinander und miteinander lernen, gemeinsam an innovativen Ideen für den Markt innerhalb von Forschungskooperationen tätig sein - seit mehreren Jahren schon besteht eine enge Zusammenarbeit zwischen der Bremer Abat AG und der Uni Oldenburg (Abteilung...

Image: Xilinx Inc.
Image: Xilinx Inc.
Adaptive AI Vision

Adaptive AI Vision

Image: Xilinx Inc. Die Kria SOMs ermöglichen den schnellen Einsatz durch Bereitstellung einer End-to-End Lösung auf Board-Ebene mit vorkonfiguriertem Software Stack. Das Kria K26 SOM basiert auf der Zynq UltraScale+ MPSoC Architektur, die einen Quad-Core Arm Cortex...