このページは前リリースの情報です。該当の英語のページはこのリリースで削除されています。

自動外観検査

異常検出や位置推定の手法を使用して品質管理タスクを自動化する

自動外観検査 (AVI) は、製造された製品の欠陥を検出および分類するために使用される一連の手法です。最新の外観検査では、品質保証プロセスの支援や改善のために機械学習および深層学習アルゴリズムが使用されています。

カスタム欠陥検出では、与えられたイメージ内の欠陥の位置を正確に特定し、欠陥カテゴリを分類しなければなりません。一般に、最新の You Only Look Once (YOLO) アルゴリズムなど、最先端の教師あり深層学習モデルを使用して、さまざまなサイズの欠陥を検出できます。優れた性能のモデルは、リアルタイムで欠陥を特徴付けて特定します。

異常検出に関連した深層学習手法を使用することで、製造された製品のイメージが正常か異常かを判定できます。さらに、異常位置推定を使用して、正確で解釈可能な結果を生成できます。この手法では、異常マップを使用して欠陥を可視化できます。

外観検査タスクを自動化するためにどの検出モデルを選択するかは、いくつかの要因によって決定します。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。詳細については、Getting Started with Anomaly Detection Using Deep Learningを参照してください。

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`	FastFlow ネットワークを使用した異常の検出 (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)

オブジェクトの検出と分類

`yoloxObjectDetector`	Detect objects using YOLOX object detector (R2023b 以降)
`trainYOLOXObjectDetector`	Train YOLOX object detector (R2023b 以降)
`detect`	Detect objects using YOLOX object detector (R2023b 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)

コード生成のための検出器の読み込み

vision.loadYOLOXObjectDetector Load YOLOX object detector model for code generation (R2023b 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.
Getting Started with YOLOX for Object Detection
Use the YOLOX object detector to detect small objects with improved performance.

注目の例

Detect Defects on Printed Circuit Boards Using YOLOX Network

Detect, localize, and classify defects in printed circuit boards (PCBs) using a you only look once version X (YOLOX) deep learning network.

ライブスクリプトを開く

Localize Industrial Defects Using PatchCore Anomaly Detector

Perform localization of anomalous defects in printed circuit boards (PCBs) using anomaly heat maps generated with the PatchCore anomaly detector.

ライブスクリプトを開く

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