Main Content

このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。

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

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
sceneLabelTrainingDataCreate training data for scene classification from ground truth (R2022b 以降)
splitAnomalyDataSplit data into training, validation and testing sets for anomaly detection (R2023a 以降)
trainFCDDAnomalyDetectorTrain fully convolutional data description (FCDD) anomaly detection network (R2022b 以降)
trainFastFlowAnomalyDetectorTrain FastFlow anomaly detection network (R2023a 以降)
trainPatchCoreAnomalyDetectorTrain PatchCore anomaly detection network (R2023a 以降)
anomalyThresholdOptimal anomaly threshold for set of anomaly scores and corresponding labels (R2022b 以降)
fcddAnomalyDetectorDetect anomalies using fully convolutional data description (FCDD) network for anomaly detection (R2022b 以降)
fastFlowAnomalyDetectorFastFlow ネットワークを使用した異常の検出 (R2023a 以降)
patchCoreAnomalyDetectorPatchCore ネットワークを使用した異常の検出 (R2023a 以降)
classifyClassify image as normal or anomalous (R2022b 以降)
predictPredict unnormalized anomaly scores (R2022b 以降)
yoloxObjectDetectorDetect objects using YOLOX object detector (R2023b 以降)
trainYOLOXObjectDetectorTrain YOLOX object detector (R2023b 以降)
detectDetect objects using YOLOX object detector (R2023b 以降)
anomalyMapPredict per-pixel anomaly score map (R2022b 以降)
anomalyMapOverlayOverlay heatmap on image using per-pixel anomaly scores (R2022b 以降)
viewAnomalyDetectionResultsView anomaly detection results (R2022b 以降)
evaluateAnomalyDetectionEvaluate anomaly detection results against ground truth (R2022b 以降)
anomalyDetectionMetricsAnomaly detection metrics (R2022b 以降)
vision.loadYOLOXObjectDetectorLoad 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