자동화된 시각적 검사

이상 감지 및 분류 기법을 사용하여 품질 보증 작업 자동화

자동화된 시각적 검사(AVI)는 영상이 정상("양호") 상태 또는 비정상("결함") 상태를 나타내는지 여부를 확인하는 데 사용되는 일련의 기법입니다. AVI는 주로 제조업 설정에서 볼 수 있는 품질 보증 과정을 지원하고 개선합니다. 최신 시각적 검사는 머신러닝과 딥러닝 기법을 사용하여 유용한 결과물을 도출합니다.

시각적 검사 작업을 자동화하기 위해 선택하는 기법은 여러 가지 요인에 따라 달라집니다. 이러한 요인에는 정상 및 비정상 샘플에 사용 가능한 훈련 데이터의 양, 인식할 수 있는 비정상 클래스의 개수, 예측값을 이해하고 모니터링하는 데 필요한 위치추정 정보의 유형이 포함됩니다.

함수

모두 확장

훈련 데이터 불러오기

`groundTruth`	Ground truth label data
`sceneLabelTrainingData`	Create training data for scene classification from ground truth
`imageDatastore`	이미지 데이터의 데이터저장소

이상 감지기 훈련

`trainFCDDAnomalyDetector`	Train fully convolutional data description (FCDD) anomaly detection network
`fcddAnomalyDetector`	Detect anomalies using fully convolutional data description (FCDD) network for anomaly detection
`anomalyThreshold`	Optimal anomaly threshold for set of anomaly scores and corresponding labels

딥러닝을 사용하여 이상 감지

`classify`	Classify image as normal or anomalous
`predict`	Predict unnormalized anomaly scores

결과를 시각화하고 평가

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

도움말 항목

Getting Started with Anomaly Detection Using Deep Learning
Anomaly detection using deep learning is an increasingly popular approach to automating visual inspection tasks.

자동화된 시각적 검사

함수

훈련 데이터 불러오기

이상 감지기 훈련

딥러닝을 사용하여 이상 감지

결과를 시각화하고 평가

도움말 항목

추천 예제

Classify Defects on Wafer Maps Using Deep Learning

Detect Image Anomalies Using Explainable FCDD Network

Detect Image Anomalies Using Pretrained ResNet-18 Feature Embeddings