Moderne Lösungen für die industrielle Bildverarbeitung kommen heute nicht mehr ohne künstliche Intelligenz (KI) aus. Dazu zählt vor allem Deep Learning auf Basis von Convolutional Neural Networks (CNNs). Die Technologie lernt durch Training eigenständig dazu. Dabei werden aber je nach Anwendung mindestens 300 Bilder pro Klasse benötigt, auf denen das jeweilige Objekt mit dem Defekt zu sehen ist, etwa eine Delle, einen Kratzer, einen Riss oder eine sonstige Anomalie.
Gerade wenn verschiedene Fehlertypen möglich sind, ist es aber oft nicht einfach, die benötigte Anzahl von Schlecht-Bildern zu sammeln, da einzelne Fehlertypen manchmal nur selten in der Produktion vorkommen. Hinzu kommt der Aufwand, all diese Bilder zu labeln. MVTec hat daher in die Machine-Vision-Standardsoftware Halcon seit der Version 19.11 ein Feature eingebaut, mit dem sich Anomalien schneller und einfacher erkennen lassen.
Weniger Trainingsdaten
So benötigt die Technologie Anomaly Detection eine weitaus geringere Menge an Trainingsdaten – verglichen mit traditionellen Deep-Learning-Verfahren: Lediglich 20 bis maximal 100 Bilder reichen für ein umfassendes Training des Netzes aus. Ein weiterer Vorteil: Anomaly Detection erfordert keine Schlecht-Bilder, wodurch der Aufwand für das Labeln der Trainings-Daten gänzlich entfällt. Als Trainingsbilder dienen dabei Motive, die das zu prüfende Objekt in einwandfreiem Zustand zeigen. Der Aufwand für den Trainingsprozess verringert sich dadurch signifikant. Die Zeit, die für das Training eines Modells benötigt wird, liegt nur im Minutenbereich.
MVTec Software GmbH
Die Mehrwerte im Überblick:
- Es werden keine Schlecht-Bilder für das Training benötigt
- Der teils enorme Labeling-Aufwand entfällt
- Die Trainingszeiten sind sehr gering
- Position und Ausmaß eines Fehlers/einer Anomalie, können exakt ermittelt werden
- Es werden auch Fehler gefunden, deren Aussehen vorab nicht bekannt ist
