自動外観検査

異常検出や分類の手法を使用した品質保証タスクの自動化

自動外観検査 (AVI) は、イメージが正常な ("良好な") 状態を表しているか、異常な ("欠陥のある") 状態を表しているかの判断に使用される一連の手法です。AVI は、製造現場で一般的に見られる品質保証プロセスの支援と改善を行います。最新の外観検査は、機械学習と深層学習の手法を使用して、有用な結果を生み出します。

外観検査タスクを自動化するためにどの手法を選択するかは、いくつかの要因によって決まります。これらの要因には、正常および異常なサンプルとして利用できる学習データの量、認識する異常なクラスの数、および予測の把握とモニタリングに必要な位置推定情報のタイプが含まれます。

自動外観検査を実行するには、アドオンエクスプローラーから Computer Vision Toolbox™ Automated Visual Inspection Library をダウンロードします。アドオンのダウンロードの詳細については、アドオンの入手と管理を参照してください。一部の機能には Deep Learning Toolbox™ も必要です。

関数

すべて展開する

学習データの読み込み

`groundTruth`	グラウンドトゥルースラベルデータ
`imageDatastore`	イメージデータのデータストア
`sceneLabelTrainingData`	Create training data for scene classification from ground truth (R2022b 以降)
`splitAnomalyData`	Split data into training, validation and testing sets for anomaly detection (R2023a 以降)

異常検出器の学習

`trainFCDDAnomalyDetector`	Train fully convolutional data description (FCDD) anomaly detection network (R2022b 以降)
`trainFastFlowAnomalyDetector`	Train FastFlow anomaly detection network (R2023a 以降)
`trainPatchCoreAnomalyDetector`	Train PatchCore anomaly detection network (R2023a 以降)
`anomalyThreshold`	Optimal anomaly threshold for set of anomaly scores and corresponding labels (R2022b 以降)

深層学習を使用した異常の検出

`fcddAnomalyDetector`	Detect anomalies using fully convolutional data description (FCDD) network for anomaly detection (R2022b 以降)
`fastFlowAnomalyDetector`	Detect anomalies using FastFlow network (R2023a 以降)
`patchCoreAnomalyDetector`	PatchCore ネットワークを使用した異常の検出 (R2023a 以降)
`classify`	Classify image as normal or anomalous (R2022b 以降)
`predict`	Predict unnormalized anomaly scores (R2022b 以降)

結果の可視化と評価

`anomalyMap`	Predict per-pixel anomaly score map (R2022b 以降)
`anomalyMapOverlay`	Overlay heatmap on image using per-pixel anomaly scores (R2022b 以降)
`viewAnomalyDetectionResults`	View anomaly detection results (R2022b 以降)
`evaluateAnomalyDetection`	Evaluate anomaly detection results against ground truth (R2022b 以降)
`anomalyDetectionMetrics`	Anomaly detection metrics (R2022b 以降)

トピック

Getting Started with Anomaly Detection Using Deep Learning
Anomaly detection using deep learning is an increasingly popular approach to automating visual inspection tasks. The goal of anomaly detection is to perform a binary classification of images as normal or anomalous. For example, in the manufacturing industry, anomaly detection can determine which manufactured units meet quality standards and which units are defective.

注目の例

Classify Defects on Wafer Maps Using Deep Learning

Classify manufacturing defects on wafer maps using a simple convolutional neural network (CNN).

ライブスクリプトを開く

説明可能 FCDD ネットワークを使用したイメージ異常の検出

異常検出器を使用して、正常な錠剤と異常な欠けや汚れのある錠剤を区別する。

ライブスクリプトを開く

Detect Anomalies in Pills During Live Image Acquisition

Detect anomalies in pills during live image acquisition.

Detect Image Anomalies Using Pretrained ResNet-18 Feature Embeddings

Train a similarity-based anomaly detector using one-class learning of feature embeddings extracted from a pretrained ResNet-18 convolutional neural network.

ライブスクリプトを開く