Ob auf Embedded-Geräten oder auf klassischen Industrie-PCs – immer öfter fließen KI-Verfahren in Machine-Vision-Applikationen ein. Eine wichtige Rolle spielt dabei Deep Learning. Mithilfe dieser KI-Technologie lassen sich aufgenommene, digitale Bilddaten umfassend analysieren. Die Vision-Software lernt dabei im Rahmen eines Trainings die für eine bestimmte Objektklasse typischen Eigenschaften und kann dadurch die Gegenstände exakt klassifizieren und besser erkennen. Dies gilt nicht nur für die Identifikation von Objekten an sich, sondern auch für die zielsichere Entdeckung und Lokalisierung von Defekten verschiedenster Ausprägung. Das hierfür erforderliche Training muss jedoch gut vorbereitet werden. Dies beginnt mit der Erzeugung und Sammlung einer großen Anzahl von validen Bilddaten. Diese müssen gelabelt, also mit einem digitalen Etikett versehen werden. Das Label steht jeweils für eine ganz spezifische Objekt- oder Fehlerklasse. Erst im Anschluss kann das zugrundeliegende, neuronale Netz mit den einzelnen Bildern trainiert werden.
Labeling verursacht großen Aufwand
Der Labeling-Prozess gestaltet sich extrem aufwändig: Abhängig von der individuellen Anwendung werden zwischen 150 und 300 Trainingsbilder pro Fehlertyp benötigt. Darauf müssen die jeweiligen Objekte mit den zu erkennenden Defekten in verschiedenen Erscheinungsformen zu sehen sein (Schlecht-Bilder). Die meisten Unternehmen verfügen jedoch nicht über eine so große Anzahl entsprechender Bilder. Erschwerend kommt hinzu, dass in industriellen Fertigungsprozessen quer durch alle Branchen Fehler auftreten, die aufgrund ihrer Heterogenität und ihrer vielfältigen Ausprägungen im Vorfeld nicht bekannt sind: In der Backwarenindustrie beispielsweise müssen Brötchen hinsichtlich Form und Aussehen bestimmte Normen einhalten. Dabei ist eine Vielzahl von Verformungen denkbar, welche eine Abweichung vom Sollzustand begründen. Ein anderes Beispiel stammt aus der Keksproduktion: Hier muss der Schokoladenüberzug exakt den Vorgaben entsprechen. Wird die Glasur unregelmäßig oder in zu geringer Menge aufgetragen, müssen die Kekse als Ausschuss aussortiert werden. Auch bei der Abfüllung von Getränken sind verschiedenste Defekte möglich. Schäden am Flaschenhals wie kleinste Sprünge, Kerben oder Risse sind mit bloßem Auge oft kaum erkennbar, machen das Gefäß aber unbrauchbar. In der Elektronikfertigung können vielfältigste Fehler auftreten, wie z.B. Dellen, Kratzer und sonstige Anomalien an Platinen, Leiterplatten oder sonstigen Komponenten. Die Bandbreite an möglichen Fehlern lässt sich also in ihrer konkreten Erscheinungsform vor dem Produktionsprozess nicht abschätzen. Aus diesen Gründen können die Beschaffung und das Labeling der für das Training benötigten Schlecht-Bilder einen unverhältnismäßig hohen Aufwand bedeuten, der für Unternehmen meist nicht rentabel ist. Um diese Herausforderung zu meistern, hat MVTec die Technologie Anomaly Detection entwickelt, die erstmals mit der Halcon Version 19.11 eingeführt und seitdem weiterentwickelt wurde.
Gut-Bilder zur Defekterkennung
Anomaly Detection überzeugt mit drei Vorteilen und vereinfacht den Prozess der Deep-Learning-basierten, automatisierten Fehlerinspektion: Erstens sind für die Defekterkennung nur noch Gut-Bilder erforderlich, also Bilder, die das entsprechende Objekt in fehlerlosem Zustand zeigen. Diese lassen sich mit deutlich weniger Aufwand generieren als Schlecht-Bilder. Der zweite Vorteil besteht darin, dass der komplette Labeling-Prozess entfällt. Da auf den Bildern keine Fehler mehr zu erkennen sind, muss auch nichts gelabelt werden. Der dritte Vorteil: Das Training erfordert deutlich weniger Bilder, als dies bei regulären, KI-basierten Inspektionsverfahren der Fall ist. So reichen bereits 20 bis maximal 100 Bilder aus, um akzeptable Erkennungsraten zu erzielen. So lassen sich durch Anomaly Detection Defekte aufdecken, die im Vorfeld nicht bekannt waren, denn die Software-Algorithmen sind in der Lage, sämtliche Abweichungen vom trainierten Soll-Zustand verlässlich zu erkennen.
Trainieren in wenigen Sekunden
Für noch zuverlässigere Erkennungsergebnisse sorgt die sogenannte Anomaly Map. Diese erzeugt die Software im Anschluss an das Training im Zuge der Inferenz, also während der Ausführung des Prüfschrittes. Auf der Map werden anhand eines Grauwerts spezielle Bereiche visualisiert, die mit hoher Wahrscheinlichkeit eine Anomalie aufweisen. Durch die Segmentierung können Fehler pixelgenau identifiziert, lokalisiert und deren Größe bestimmt werden. Durch die kontinuierliche Weiterentwicklung hat MVTec den Rahmen dessen, was mit Anomaly Detection möglich ist, seit dem initialen Release deutlich erweitert. Das Trainieren eines neuen Netzes ist jetzt meist in wenigen Sekunden abgeschlossen, so dass Benutzer viele Iterationen zur Feinabstimmung ihrer Anwendung durchführen können, ohne viel Zeit zu verlieren. Die ebenfalls beschleunigte Inferenz, kombiniert mit einem geringeren Speicherbedarf trainierter Netze, ermöglicht darüber hinaus weitere Einsatzmöglichkeiten auf Embedded-Geräten.
