Detail-Modus Red zur Fehlersegmentierung verstehen

vision software large blog banner

Die VisionPro Deep-Learning-Software von Cognex beinhaltet eine neue Einstellung für Bildverarbeitungsprüfungen, die eine extrem hohe Präzision erfordern. Diese wird Detail-Modus Red genannt.

Dieser moderne Erkennungsmodus bewältigt sehr spezifische Anwendungsfälle, die zusätzliche Prüfungen bei der Fehlersegmentierung erfordern. Unabhängig von der Branche oder der Fehlerart liefert der Detail-Modus Red eine präzise Segmentierung, schnellere Bearbeitungszeiten und qualitativ hochwertigere Produkte.

Deep-Learning-Tool Übersicht 
Wer den Detail-Modus Red verstehen möchte, sollte sich zunächst die vier vorrangigen Tools in VisionPro Deep Learning ansehen. Diese Tools verwenden tiefe neuronale Netze, die Muster, Komponenten und Anomalien in den mit den Bildverarbeitungskameras von Cognex erfassten Bildern erkennen: 

  • Rot-Analysieren: Erkennt Anomalien und Fehlern auf Bildern. Das Detail-Modus-Red-Tool ist eine Architektur-Einstellung innerhalb dieses Tools.
  • Grün-Klassifizieren: Teilt ein Bild oder Teile eines Bildes in mehrere Klassen ein. Ein gängiges Beispiel ist das Klassifizieren von Fehlern nach Typ (z. B. Oberflächenfehler, Risse und Kratzer).
  • Blau-Lokalisieren: Lokalisiert Teile oder Komponenten in einem Bild. 
  • Blau-Lesen Führt hochentwickelte optische Zeichenerkennung in Bildern durch.

Screenshots des VisionPro Deep-Learning-Tools

VisionPro Deep-Learning-Entwickler können diese Tools einzeln oder zusammen verwenden. Dies gilt vor allem für die Red-Analyze- und Green-Classify-Tools. Das Red-Analyze-Tool kann beispielsweise eine Anomalie identifizieren und das Green-Classify-Tool den Fehlertyp bestimmen.  

Der Detail-Modus war einige Zeit Teil des Green-Classify-Tools, daher konzentriert sich dieser Blog auf die neue Version im Red-Analyze-Tool.

Screenshots des VisionPro Deep Learning Detail-Modus Red 

Funktionsweise des Red-Analyze-Tools 
Wenn eine Cognex-Kamera ein Bild aufnimmt, um ein Teil in der Produktion zu prüfen, muss VisionPro Deep Learning bestimmen, ob das Bild die Prüfung besteht oder nicht.

Das Red-Analyze-Tool ermöglicht diese Prüfungen, indem es Bilder nach Merkmalen, Objekten oder Komponenten durchsucht. VisionPro Deep Learning verwendet ein neuronales Netzwerk, um diesen Bildern anhand einer Sammlung im Voraus festgelegter Trainingsbilder eine Pass-/Fail-Bewertung zuzuweisen. 

Der Prozess funktioniert folgendermaßen: Der Entwickler der Bildverarbeitungsanwendung übermittelt eine Reihe von Bildern an das neuronale Netzwerk. Normalerweise sind die eine Hälfte Trainingsbilder und die andere Validierungsbilder. Das neuronale Netzwerk vergleicht die Trainingsbilder mit der „Ground Truth“ in den Validierungsbildern. Das neuronale Netzwerk lernt während des Tool-Trainings, den Unterschied zwischen den „Pass“-Bildern und den „Fail“-Bildern zu entschlüsseln.  

Das Red-Analyze-Tool funktioniert auf zwei Arten: 

  • Nicht überwacht Verwendet fehlerfreie Bilder zum Trainieren des neuronalen Netzwerks. Details im Bild, die von der Definition „gut“ abweichen, werden als Anomalien markiert. 
  • Überwacht Dabei müssen die Entwickler spezifische Segmente in einem Bild identifizieren, um das neuronale Netzwerk zu trainieren. Das neuronale Netzwerk durchsucht das Bild nach diesen spezifischen Fehlern.  

Der überwachte Modus verwendet zwei Submodi: 

  1. den Fokus-Modus, der eine hochleistungsfähige und schnelle Trainingszeit bietet.  
  2. den Detail-Modus, der aufgrund seines erschöpfenden Algorithmus beste Genauigkeit bietet.

Die Detail-Segmentierung Red ist eine Funktion des überwachten Modus im Red-Analyze-Tool.

Entscheidung für den Einsatz der Detail-Segmentierung
Die Segmentierung im Fokus-Modus in VisionPro Deep Learning ist besonders genau und extrem flexibel. Neue Bilder können dem neuronalen Netzwerk hinzugefügt werden und beginnen nach wenigen Minuten, Ergebnisse zu produzieren. Der Fokus-Modus ist für einfachere Anwendungen perfekt ausgelegt, während der Detail-Modus für schwierigere Aufgaben besser geeignet ist.

Die Detail-Segmentierung erfordert eine komplexere neuronale Netzwerkarchitektur. Natürlich ist dabei ein Kompromiss zwischen Zeit und Genauigkeit erforderlich. Beim Detail-Modus-Red-Tool sind möglicherweise einige Stunden für das Trainieren des Netzwerks erforderlich. Anwendungsentwickler müssen daher strategisch vorgehen, um die zusätzliche Bearbeitungszeit zu bewältigen.

Zeiteinsparung mit dem Detail-Modus Red
Die Kennzeichnung von Bildern und Segmenten ist üblicherweise eine der zeitintensivsten Phasen in der Entwicklung einer Bildverarbeitungsanwendung in VisionPro Deep Learning. Entwickler müssen mehrere Segmente in Dutzenden Bildern kennzeichnen. Manchmal muss der Hintergrund aus dem Bild ausgeblendet werden und Objekte müssen aus mehreren Winkeln aufgenommen werden, um alles zu erfassen, was das neuronale Netzwerk sehen muss.

Zum Glück muss die Kennzeichnung nur einmal gemacht werden. Die Kennzeichnungen können einfach kopiert werden, wenn verschiedene Tools für ihre Anwendung evaluiert werden, wie zum Beispiel der Fokus-Modus oder Detail-Modus. Der Entwickler spart Zeit und kann seine Anwendung schneller implementieren, wenn er die Bilder nicht neu kennzeichnen muss.

Außerdem können Entwickler den Fokus- und Detail-Modus in einer Anwendung beliebig kombinieren – so bleibt die Detail-Segmentierung nur jenen Fällen vorbehalten, in denen sie am meisten bewirken kann. Der Detail-Modus Red funktioniert oft sehr gut in einem zweistufigen Inspektionsmodell, in dem Produktionsteile, die den Detail-Test nicht bestehen, zu menschlichen Prüfern geschickt werden, welche die endgültige Pass-/Fail-Entscheidung treffen.

Erkennung kleinster Fehler und Erzielung genauer, prognostischer Analysen

Bildverarbeitungsentwickler sind daran gewöhnt, Anwendungen mit hoher Präzision und engen Toleranzen zu erstellen. Der Detail-Modus Red hilft diesen Entwicklern dabei, den für die anspruchsvollsten Anwendungen erforderlichen Präzisionsgrad zu erreichen.

Das Detail-Modus-Red-Tool eignet sich perfekt für Anwendungen, bei denen es erforderlich ist, schwierige Fehler zu finden und die Form/Größe dieser Fehler genau vorherzusagen. Diese Präzision auf Pixelebene ist in großen Branchen wie der Konsumgüter-, Halbleiter- und Automobilindustrie wichtig. Ein Halbleiterhersteller muss zum Beispiel winzige Mängel erkennen, die zu einer Überhitzung des Mikroprozessors führen könnten. Oder ein lebensmittelverarbeitender Betrieb muss Kühlprodukte auf die ersten Anzeichen von Schimmel oder Verderben prüfen.

Deep-Learning-Algorithmen, wie jene des Detail-Modus Red, leiten aus dieser riesigen Menge an Pixelmustern eine Bedeutung ab. Darüber hinaus weisen Teile in der Produktion oft kleinste Unterschiede auf, welche die Qualität, Leistung, Lebensdauer oder Haltbarkeit nicht beeinträchtigen. Anwendungen des maschinellen Lernens können so abgestimmt werden, dass sie diese Unterschiede berücksichtigen.

Ein Netzwerk sollte jedoch nicht so genau trainiert werden, dass es alles aussortiert, was es prüft. Das Ziel bei neuronalen Netzwerken ist vielmehr, detaillierte Beurteilungen anhand eines großen Datensatzes mit vielen geringen Abweichungen zu treffen – so wie die Menschen.

Lösung komplexer diagnostischer Anwendungen mit VisionPro Deep Learning
Entwickler können mit der VisionPro Deep-Learning-Software ein umfangreiches Toolset nutzen – einschließlich der Red-Analyze-, Green-Classify-, Blue-Locate- und Blue-Read-Tools – um selbst die strengsten Anwendungsanforderungen zu erfüllen. Von diesen Tools bietet der Detail-Modus Red, eine Funktion des Red-Analyze-Tools, eine Fehlersegmentierung auf Pixelebene, um verschiedene Mängel zu erkennen und zu messen, so zum Beispiel Oberflächenfehler, Risse, Kratzer und andere Arten von Unvollkommenheiten an hergestellten Produkten. Das Tool erlernt das genaue Aussehen von Fehlern und sagt diese in nicht trainierten Bildern mit Präzision auf Pixelebene vorher. Zusammen mit den anderen Tools versorgt der Detail-Modus Red Hersteller in allen Branchen mit der Leistungsfähigkeit tiefgreifender Inspektion. So können ihre Prüfsysteme menschenähnliche Entscheidungen mit der Geschwindigkeit einer Maschine treffen. Das Endergebnis? Schnellere Bearbeitungszeiten und höhere Qualität.

VisionPro Deep Learning am Computer


Weitere Posts auf

ERHALTEN SIE ZUGANG ZU SUPPORT & TRAINING FÜR PRODUKTE & MEHR

Werden Sie Teil von MyCognex