Anomalieerkennung nur mit Gutbildern: So funktioniert es

DeepVision anomaly heat map highlighting a defect

Die meisten Werke haben reichlich Bilder von Gutteilen und nur sehr wenige Bilder von Fehlern. Die Anomalieerkennung macht daraus einen Vorteil: Das Modell lernt, wie „gut“ aussieht, und markiert alles, was davon abweicht. So können Sie mit der Prüfung beginnen, ohne vorher Hunderte Beispiele jedes Fehlers zu sammeln und zu annotieren.

Das Problem mit Fehlerdaten

Klassisches überwachtes Deep Learning braucht annotierte Beispiele für jede Fehlerart: Kratzer, Dellen, fehlende Teile, falsche Etiketten. An einer gut laufenden Linie sind Fehler selten, sodass das Sammeln genügender Beispiele Wochen oder Monate dauern kann. Manche Fehler sind womöglich noch nie aufgetreten. Von einem Modell, das nur mit bekannten Fehlern trainiert wurde, kann man also nicht erwarten, dass es diese erkennt.

So funktioniert Anomalieerkennung

  1. Gutbilder sammeln. Nehmen Sie Bilder von Teilen auf, die die Qualitätsprüfung bestanden haben – mit derselben Kamera, demselben Objektiv und derselben Beleuchtung wie in der Produktion.
  2. Normales Erscheinungsbild lernen. Das Modell bildet ab, wie Gutteile aussehen, einschließlich ihrer normalen Streuung.
  3. Neue Teile bewerten. Jedes neue Bild wird mit diesem gelernten Normalzustand verglichen. Abweichende Bereiche erhalten einen hohen Anomaliewert.
  4. Schwellenwert festlegen. Teile oberhalb des Schwellenwerts werden als fehlerhaft markiert. Der Schwellenwert wird anhand von Validierungsdaten so eingestellt, dass echte Fehler erkannt werden, ohne Gutteile auszuschleusen.
  5. Lokalisieren. Die meisten Verfahren erzeugen zusätzlich eine Heatmap, die zeigt, wo am Teil die Anomalie liegt. Das hilft dem Bedienpersonal, einen Ausschuss schnell zu bestätigen.

Wo sie gut funktioniert

  • Seltene oder unvorhersehbare Fehler: Verunreinigungen, ungewöhnliche Beschädigungen oder einmalige Prozessfehler, für die niemand Beispiele gesammelt hat.
  • Neue Linien und neue Produkte: Die Prüfung kann starten, sobald Gutteile verfügbar sind.
  • High-Mix-Fertigung: Jede Produktvariante erhält ihr eigenes Modell von „gut“, trainiert mit Gutbildern.
  • Gleichförmige Teile: Etiketten, Verpackungen, bearbeitete Teile und Pressteile, bei denen Gutteile einander stark ähneln.

Wo Vorsicht geboten ist

  • Natürliche Streuung: Holzmaserung, Gussteile oder Lebensmittel unterscheiden sich stark von Einheit zu Einheit. Der Satz an Gutbildern muss diese Streuung abdecken, sonst werden normale Teile markiert.
  • Änderungen an der Bildaufnahme: Eine verschobene Kamera, schwächeres Licht oder ein neuer Hintergrund verändern, wie „normal“ aussieht. Halten Sie den Aufnahmeaufbau stabil oder trainieren Sie nach Änderungen neu.
  • Fehlerklassierung: Anomalieerkennung sagt „das ist anders“, nicht „das ist ein Kratzer der Klasse B“. Wenn Fehlerarten in Klassen sortiert werden müssen, ergänzen Sie einen überwachten Schritt.
  • Einstellung des Schwellenwerts: Ist der Schwellenwert zu eng, steigt die Zahl der Fehlausschleusungen; ist er zu locker, rutschen kleine Fehler durch. Validieren Sie vor dem Produktivstart an der realen Produktion.

Anomalieerkennung vs. überwachte Klassifikation

AnomalieerkennungÜberwachte Klassifikation
TrainingsdatenNur GutbilderAnnotierte Beispiele jeder Fehlerklasse
Erkennt unbekannte FehlerJa, wenn sie sich von Gutteilen unterscheidenNur Fehler, die den trainierten ähneln
Zeit bis zum ersten ModellKurz: sobald Gutbilder vorliegenLänger: hängt vom Sammeln von Fehlerbeispielen ab
Ausgabei.O./n.i.O., Anomaliewert und PositionFehlerklasse und Konfidenz
Am besten geeignet fürErkennung jeder Abweichung an gleichförmigen TeilenSortieren und Klassieren bekannter Fehlerarten

Viele Linien nutzen beides: Anomalieerkennung, um alles Auffällige zu erfassen, und einen Klassifikator für die Fehlerarten, die gesondert ausgewiesen werden müssen.

Eine praktische Checkliste vor dem Start

  • Legen Sie zuerst Kameraposition, Objektiv und Beleuchtung fest. Das Modell kann nur lernen, was die Bilder konsistent zeigen.
  • Sammeln Sie Gutbilder über Schichten, Chargen und Materiallose hinweg, damit die normale Streuung abgebildet ist.
  • Halten Sie einen Satz bekannter Fehler bereit, auch einen kleinen, um den Schwellenwert zu validieren.
  • Betreiben Sie das System parallel zu Ihrer aktuellen Prüfung, bevor es Teile ausschleusen darf.
  • Planen Sie, wie das Ausschleussignal die Linie erreicht, in der Regel über die SPS (PLC).

Wie DeepVision Anomalieerkennung nutzt

DeepVision basiert auf Anomalieerkennung. Das System trainiert mit nur 200 Bildern von Gutteilen ohne Fehlerannotation, läuft auf einem Edge-Rechner direkt an der Linie und sendet i.O./n.i.O. an SPS von Siemens, Allen-Bradley oder Mitsubishi. An einer FMCG-Verpackungslinie senkte es die Etikettenfehler von 9.400 auf 1.150 pro Million und war an Tag 7 produktiv. Siehe die Fallstudie, unsere Methodik der Genauigkeitsmessung und die SPS-Anbindung.

Häufig gestellte Fragen

Wie viele Gutbilder braucht die Anomalieerkennung?

Das hängt davon ab, wie stark Gutteile variieren. Gleichförmige Teile brauchen weniger Bilder, Teile mit natürlicher Streuung mehr. DeepVision kann bereits mit 200 Gutbildern starten.

Kann Anomalieerkennung Fehler finden, die sie noch nie gesehen hat?

Ja, solange der Fehler das Teil anders aussehen lässt als die Gutteile, aus denen das Modell gelernt hat. Das ist ihr größter Vorteil gegenüber überwachten Modellen.

Ersetzt sie die Fehlerklassifikation?

Nicht immer. Sie zeigt Ihnen, dass ein Teil auffällig ist und wo. Wenn Fehler in benannte Arten sortiert werden müssen, kombinieren Sie sie mit einem überwachten Klassifikator.

What to read next

Nach oben scrollen

Request a Demo