Was ist Anomalieerkennung?

Anomalieerkennung – Deep Learning für Defekterkennung

Die Deep-Learning-basierte Anomalieerkennung ermöglicht die automatisierte Oberflächeninspektion von Produkten und die präzise Lokalisierung von Defekten.
Im Gegensatz zu traditionellen Methoden benötigt Anomalieerkennung keine manuelle Beschriftung von Trainingsdaten. Anstatt mit definierten Fehlerbildern zu arbeiten, lernt das Modell, abweichende Bereiche in neuen Bildern zu erkennen – basierend auf den Mustern der fehlerfreien Originalbilder.

Diese Technologie ist besonders vorteilhaft für die Inspektion von Oberflächen, da sie Defekte unabhängig und zuverlässig lokalisiert. Ob es sich um verformte Komponenten, fehlende Teile oder defekte Oberflächen handelt, Anomalieerkennung erkennt diese zuverlässig und schnell.

SCHNELL & EFFIZIENT

Vorteile

Kein Labeling erforderlich – Die Methode benötigt nur gute Bilder für das Training.
Schnelles Training – Nur eine kleine Anzahl an Bildern ist für das Training erforderlich.
Effiziente Modellanpassung – Training und Prototyping erfolgen in Sekunden oder Minuten.
Minimale Rechenleistung für die Trainingsphase.
Die Technologie ermöglicht es, Defekte und Abweichungen schnell zu erkennen, wodurch eine zügige Fehlererkennung in der Produktion ermöglicht wird, ohne umfangreiche Schulungen der Modelle.

EINZIGARTIGE TECHNOLOGIE

Global Context Anomaly Detection

Die Global Context Anomaly Detection ist eine einzigartige Technologie von MVTec, die den logischen Inhalt des gesamten Bildes berücksichtigt.

Dadurch können sogar völlig neue Arten von Anomalien erkannt werden, wie z. B. fehlende Komponenten, verformte Bauteile oder falsch positionierte Objekte. Diese Methode ist besonders nützlich für die Inspektion von gedruckten Schaltungen (PCBs) oder Prägungen in der Halbleiterproduktion.

Vorteile von Global Context Anomaly Detection

Erkennung von Anomalien im globalen Kontext des Bildes
Leistungsstarke Algorithmen für eine hohe Erkennungsgenauigkeit
Kein Labeling erforderlich – Training nur mit „guten“ Bildern
Geringer Trainingsaufwand: nur wenige fehlerfreie Bilder nötig
Schnelle Inferenzzeiten und schnelle Modellanpassungen

The image shows bottle necks being inspected for defects using deep learning and anomaly detection. Anomalies such as deformed or defective bottle necks are identified and localized by the technology.

Anwendungsbeispiele

Fehlererkennung bei Elektronikplatinen

In der Halbleiterproduktion oder bei der Inspektion von gedruckten Schaltungen (PCBs) erkennt Anomaly Detection subtile Fehler, wie z. B. fehlende Bauteile oder verformte Komponenten, ohne dass eine vollständige Fehlerdatenbank notwendig ist.

Fehlererkennung bei Bedruckungen

Für die Qualitätskontrolle von Druckbildern (z. B. in der Verpackungsindustrie) erkennt die Anomaly Detection unregelmäßige Druckmuster oder fehlende Elemente auf Etiketten und Verpackungen.

UNSER WISSEN & SERVICES

Profitieren Sie von unserer Expertise

PRAKTISCHE EINBLICKE & EXPERTENWISSEN

Durchstöbern Sie unsere Whitepaper!

Entdecken Sie unsere Whitepaper und gewinnen Sie praktische Einblicke und Expertenwissen zum Thema industrielle Bildverarbeitung. Laden Sie sie jetzt herunter, um mehr über Schlüsseltechnologien, aktuelle Trends und reale Anwendungen zu erfahren, die fundierte technische und strategische Entscheidungen unterstützen.

Zu den Whitepaper

INDIVIDUELL ZUGESCHNITTEN

Evaluierung Ihrer Anwendung

Möchten Sie wissen, ob wir die passende Lösung für Ihre Branche anbieten? Senden Sie uns das Design Ihrer Softwareanwendung, und unsere Expertinnen und Experten prüfen es.

Mehr erfahren

HALCON & MERLIC

Integration in unsere Software

HALCON bietet eine leistungsstarke Entwicklungsumgebung, in der Deep-Learning-Modelle für Anomaly Detection schnell erstellt und in der Produktionslinie implementiert werden können.

Mehr über HALCON

MERLIC stellt einfach zu bedienende Tools zur Verfügung, die es auch Nicht-Programmierer:innen ermöglichen, Deep-Learning-Modelle zur Fehlererkennung zu nutzen.

Mehr über MERLIC

Wie es funktioniert

Hilfreiche Tutorials

Bitte beachten Sie: Sobald Sie sich das Video ansehen, werden Informationen darüber an Youtube/Google übermittelt. Weitere Informationen dazu finden Sie unter Google Datenschutzerklärung.

DATENSÄTZE FÜR IHRE FORSCHUNG

Anomalieerkennungs-Datensätze

MVTec bietet eine Reihe von Datensätzen für die Anomalieerkennung, einschließlich MVTec AD für das Benchmarking der industriellen Inspektion. MVTec AD 2 erweitert bestehende Benchmarks mit 8 neuen Szenarien und über 8.000 hochauflösenden Bildern. Der MVTec 3D AD-Datensatz konzentriert sich auf unbeaufsichtigte 3D-Anomalieerkennung und -lokalisierung.

Zu den Datensätzen