Beim Training des Modells wird eine ausreichende Menge an Trainingsdaten verwendet, um pixelgenaue Klassifikationen zu erlernen. Das Modell lernt, für jedes Pixel im Bild eine Vorhersage zu treffen, welche Klasse (z. B. „gut“, „fehlerhaft“, „Hintergrund“) es repräsentiert. Für jedes Vorhersage-Pixel wird zudem ein Vertrauenswert berechnet, der die Zuverlässigkeit der Klassifizierung anzeigt.
IN HALCON & MERLIC
Mit minimalem Aufwand werden auch schwer erkennbare Defekte pixelgenau identifiziert.
Modelle können mit minimaler Parametrisierung für komplexe Inspektionsaufgaben trainiert werden.
Hohe Zuverlässigkeit der Klassifikationen, unterstützt durch Vertrauenswert für jedes Vorhersagepixel.
Besonders nützlich für den Echtzeit-Einsatz in Inline-Inspektionen oder bei veränderten Produktionsbedingungen.
In der Lebensmittelindustrie lässt sich semantische Segmentierung nutzen, um verschiedene Gemüsesorten auf einem Förderband präzise zu unterscheiden. Die Methode klassifiziert pixelgenau die verschiedenen Gemüsearten und trennt sie für die Weiterverarbeitung.
Die Technologie kann auf Bauteilen in der Elektronikfertigung angewendet werden, um defekte Teile von intakten Teilen zu unterscheiden und automatisch fehlerhafte Bauteile zu kennzeichnen.
