Anomalieerkennung
Die Deep-Learning-basierte Anomalieerkennung ermöglicht eine automatisierte Oberflächeninspektion, z. B. zur Erkennung und Segmentierung von Defekten. Die Technologie ist in der Lage, Abweichungen, d.h. Defekte jeglicher Art, auf Folgebildern zielsicher und unabhängig zu lokalisieren. Zum Trainieren des Modells werden nur Bilder von Werkstücken ohne Defekte benötigt. Im Gegensatz zu anderen Deep-Learning-Verfahren ist kein Labeling-Aufwand erforderlich. Während der Inferenz segmentiert die Anomalieerkennung die Bereiche der Bilder, die signifikant von den Trainingsbildern abweichen.
Global Context Anomaly Detection
VORTEILE:
- Erkennen von Anomalien im globalen Kontext
- Leistungsstarke Algorithmen
- Keine Beschriftung erforderlich
- Nur gute Bilder erforderlich
Die neue "Global Context Anomaly Detection" ist eine einzigartige Technologie, die den logischen Inhalt des gesamten Bildes berücksichtigt. Diese Technologie ermöglicht es, völlig neue Varianten von Anomalien wie fehlende, deformierte oder falsch angeordnete Komponenten zu erkennen. Sie eröffnet völlig neue Möglichkeiten: Zum Beispiel die Inspektion von Leiterplatten in der Halbleiterproduktion oder die Prüfung von Aufdrucken.
Anomaly Detection
VORTEILE:
- Keine Beschriftung erforderlich
- Nur gute Bilder erforderlich
- Geringere Anzahl von Bildern
- Schnelles Training und Prototyping
Die Erkennung von Anomalien ohne die globale Kontextfunktionalität erfordert nur eine geringe Anzahl von Bildern. Das Training eines neuen Netzes kann meist in wenigen Sekunden oder Minuten durchgeführt werden, so dass die Benutzer mehrere Iterationen zur Feinabstimmung ihrer Anwendung durchführen können, ohne viel wertvolle Zeit zu verlieren. Außerdem sind die Inferenzzeiten sehr kurz.