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

Charger les données d’apprentissage

`groundTruth`	Ground truth label data
`imageDatastore`	Datastore for image data
`sceneLabelTrainingData`	Create training data for scene classification from ground truth (depuis R2022b)
`splitAnomalyData`	Split data into training, validation and testing sets for anomaly detection (depuis R2023a)

Entraîner un détecteur d’anomalies

`trainFCDDAnomalyDetector`	Train fully convolutional data description (FCDD) anomaly detection network (depuis R2022b)
`trainFastFlowAnomalyDetector`	Train FastFlow anomaly detection network (depuis R2023a)
`trainPatchCoreAnomalyDetector`	Train PatchCore anomaly detection network (depuis R2023a)
`anomalyThreshold`	Optimal anomaly threshold for set of anomaly scores and corresponding labels (depuis R2022b)

Détecter les anomalies avec le Deep Learning

`fcddAnomalyDetector`	Detect anomalies using fully convolutional data description (FCDD) network for anomaly detection (depuis R2022b)
`fastFlowAnomalyDetector`	Detect anomalies using FastFlow network (depuis R2023a)
`patchCoreAnomalyDetector`	Detect anomalies using PatchCore network (depuis R2023a)
`classify`	Classify image as normal or anomalous (depuis R2022b)
`predict`	Predict unnormalized anomaly scores (depuis R2022b)

Détecter et classer des objets

`yoloxObjectDetector`	Detect objects using YOLOX object detector (depuis R2023b)
`trainYOLOXObjectDetector`	Train YOLOX object detector (depuis R2023b)
`detect`	Detect objects using YOLOX object detector (depuis R2023b)

Visualiser et évaluer les résultats

`anomalyMap`	Predict per-pixel anomaly score map (depuis R2022b)
`anomalyMapOverlay`	Overlay heatmap on image using per-pixel anomaly scores (depuis R2022b)
`viewAnomalyDetectionResults`	View anomaly detection results (depuis R2022b)
`evaluateAnomalyDetection`	Evaluate anomaly detection results against ground truth (depuis R2022b)
`anomalyDetectionMetrics`	Anomaly detection metrics (depuis R2022b)

Charger un détecteur pour la génération de code

vision.loadYOLOXObjectDetector Load YOLOX object detector model for code generation (depuis R2023b)

Rubriques

Getting Started with Anomaly Detection Using Deep Learning
Anomaly detection using deep learning is an increasingly popular approach to automating visual inspection tasks.
Getting Started with YOLOX for Object Detection
Use the YOLOX object detector to detect small objects with improved performance.

Exemples présentés

Detect Defects on Printed Circuit Boards Using YOLOX Network

Detect, localize, and classify defects in printed circuit boards (PCBs) using a you only look once version X (YOLOX) deep learning network.

Ouvrir le live script

Localize Industrial Defects Using PatchCore Anomaly Detector

Perform localization of anomalous defects in printed circuit boards (PCBs) using anomaly heat maps generated with the PatchCore anomaly detector.

Ouvrir le live script

Classify Defects on Wafer Maps Using Deep Learning

Classify manufacturing defects on wafer maps using a simple convolutional neural network (CNN).

Ouvrir le live script

Detect Image Anomalies Using Explainable FCDD Network

Use an anomaly detector to distinguish between normal pills and pills with anomalous chips or contamination.

Ouvrir le live script

Detect Anomalies in Pills During Live Image Acquisition

Detect anomalies in pills during live image acquisition.

Detect Image Anomalies Using Pretrained ResNet-18 Feature Embeddings

Train a similarity-based anomaly detector using one-class learning of feature embeddings extracted from a pretrained ResNet-18 convolutional neural network.

Ouvrir le live script