Main Content

Inspection visuelle automatisée

Automatiser les tâches de contrôle qualité avec des méthodes de détection et de localisation d’anomalies

L’inspection visuelle automatisée est un ensemble de techniques permettant de détecter et de classer les défauts des produits fabriqués. L’inspection visuelle moderne utilise des algorithmes de Machine Learning et de Deep Learning pour faciliter et améliorer les processus d’assurance qualité.

La détection personnalisée des défauts doit localiser avec précision les défauts dans une image donnée et les classer en catégories. Il est généralement possible de détecter des défauts de différentes tailles avec des modèles de Deep Learning supervisé de pointe tels que les derniers algorithmes YOLO (You Only Look Once). Les modèles les plus performants caractérisent et localisent les défauts en temps réel.

Vous pouvez utiliser des méthodes de détection d’anomalies avec du Deep Learning pour déterminer si l’image d’un produit fabriqué est normale ou anormale. Vous pouvez également obtenir des résultats précis et interprétables avec la localisation d’anomalies. Cette méthode permet de visualiser les défauts sur une carte d’anomalies.

Le modèle de détection spécifique à sélectionner pour automatiser votre tâche d’inspection visuelle dépend de plusieurs facteurs, notamment : la quantité de données d’apprentissage disponibles pour les échantillons normaux et anormaux, le nombre de classes d’anomalies à reconnaître et le type d’informations de localisation nécessaires pour comprendre et surveiller les prédictions. Pour plus d’informations, veuillez consulter Getting Started with Anomaly Detection Using Deep Learning.

Pour effectuer une inspection visuelle automatisée, téléchargez Computer Vision Toolbox™ Automated Visual Inspection Library depuis l’Add-On Explorer. Pour plus d’informations sur le téléchargement de produits complémentaires, veuillez consulter Get and Manage Add-Ons (Obtenir et gérer des produits complémentaires). Certaines fonctionnalités nécessitent également Deep Learning Toolbox™.

Fonctions

développer tout

groundTruthGround truth label data
imageDatastoreDatastore for image data
sceneLabelTrainingDataCreate training data for scene classification from ground truth (depuis R2022b)
splitAnomalyDataSplit data into training, validation and testing sets for anomaly detection (depuis R2023a)
trainFCDDAnomalyDetectorTrain fully convolutional data description (FCDD) anomaly detection network (depuis R2022b)
trainFastFlowAnomalyDetectorTrain FastFlow anomaly detection network (depuis R2023a)
trainPatchCoreAnomalyDetectorTrain PatchCore anomaly detection network (depuis R2023a)
anomalyThresholdOptimal anomaly threshold for set of anomaly scores and corresponding labels (depuis R2022b)
fcddAnomalyDetectorDetect anomalies using fully convolutional data description (FCDD) network for anomaly detection (depuis R2022b)
fastFlowAnomalyDetectorDetect anomalies using FastFlow network (depuis R2023a)
patchCoreAnomalyDetectorDetect anomalies using PatchCore network (depuis R2023a)
classifyClassify image as normal or anomalous (depuis R2022b)
predictPredict unnormalized anomaly scores (depuis R2022b)
yoloxObjectDetectorDetect objects using YOLOX object detector (depuis R2023b)
trainYOLOXObjectDetectorTrain YOLOX object detector (depuis R2023b)
detectDetect objects using YOLOX object detector (depuis R2023b)
anomalyMapPredict per-pixel anomaly score map (depuis R2022b)
anomalyMapOverlayOverlay heatmap on image using per-pixel anomaly scores (depuis R2022b)
viewAnomalyDetectionResultsView anomaly detection results (depuis R2022b)
evaluateAnomalyDetectionEvaluate anomaly detection results against ground truth (depuis R2022b)
anomalyDetectionMetricsAnomaly detection metrics (depuis R2022b)
vision.loadYOLOXObjectDetectorLoad YOLOX object detector model for code generation (depuis R2023b)

Rubriques