Main Content

La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

Ispezione visiva automatizzata

Automatizzare le attività di controllo della qualità utilizzando metodi di rilevamento e localizzazione delle anomalie

L'ispezione visiva automatizzata (AVI) è un insieme di tecniche utilizzate per rilevare e classificare i difetti nei prodotti fabbricati. La moderna ispezione visiva utilizza algoritmi di Machine Learning e Deep Learning per supportare e migliorare i processi di garanzia della qualità.

Il rilevamento personalizzato dei difetti deve determinare con precisione la posizione degli stessi in una determinata immagine e classificare la categoria del difetto. In generale, è possibile rilevare difetti di diverse dimensioni utilizzando modelli supervisionati di Deep Learning all'avanguardia, come i più recenti algoritmi YOLO (You only look once). I modelli più performanti caratterizzano e localizzano i difetti in tempo reale.

È possibile utilizzare i metodi di Deep Learning per il rilevamento delle anomalie per determinare se l'immagine di un prodotto è normale o anomala. Inoltre, grazie alla localizzazione delle anomalie è possibile produrre risultati precisi e interpretabili. Questo metodo consente di creare una visualizzazione dei difetti utilizzando una mappa delle anomalie.

Il modello di rilevamento specifico scelto per automatizzare un'attività di ispezione visiva dipende da diversi fattori. Questi fattori comprendono la quantità di dati di addestramento disponibili per i campioni normali e anomali, il numero di classi di anomalie da riconoscere e il tipo di informazioni sulla localizzazione necessarie per la comprensione e il monitoraggio delle previsioni. Per ulteriori informazioni, vedere Getting Started with Anomaly Detection Using Deep Learning.

Per eseguire l'ispezione visiva automatizzata, scaricare Computer Vision Toolbox™ Libreria di ispezione visiva automatizzata da Add-On Explorer. Per ulteriori informazioni sul download dei componenti aggiuntivi, vedere Ottenere e gestire i componenti aggiuntivi. Alcune funzionalità richiedono anche Deep Learning Toolbox™.

Funzioni

espandi tutto

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

Argomenti

Esempi in primo piano