Depuis un certain temps déjà, MVTec propose dans son logiciel standard HALCON, une détection d’erreurs robuste nécessitant un faible effort d’apprentissage, grâce à la technologie d’Anomaly Detection basée sur le Deep Learning. Depuis HALCON 22.05, MVTec va encore plus loin : la nouvelle fonction Global Context Anomaly Detection permet de réaliser de manière pratique des tâches encore plus exigeantes pour les industries les plus diverses. Ainsi, même les contenus logiques de l’image entière sont désormais « compris » – sous cette forme, c’est unique au monde.
Dans l’industrie, l’utilisation du traitement industriel de l’image (vision industrielle) est devenue incontournable, notamment pour l’assurance qualité. L’utilisation du Deep Learning pour des applications telles que la détection d’anomalies, a permis de réduire drastiquement les efforts d’apprentissage et d’augmenter l’efficacité. Toutefois, la technologie existante a ses limites. Jusqu’à présent, seules des anomalies structurelles localisées étaient détectées. Avec la fonctionnalité « Global Context Anomaly Detection », disponible depuis HALCON 22.05, MVTec va désormais plus loin : la technologie est en mesure de détecter des variantes d’anomalies complètement nouvelles, comme des composants manquants, déformés ou mal disposés. Ainsi, la détection des erreurs ne se limite plus à des défauts locaux, mais permet l’inspection du contenu et de la logique. Cela ouvre de toutes nouvelles possibilités, par exemple pour l’inspection de cartes de circuits imprimés dans la fabrication de semi-conducteurs ou pour le contrôle d’impressions.
Structure vs. Logique
Les bouteilles sont un exemple pratique. L’Anomaly Detection peut détecter des erreurs telles que des défauts sur l’étiquette ou des dommages sur la bouteille. Le Global Context Anomaly Detection, en revanche, apprend et identifie les erreurs de contenu ou de logique. Un exemple est la perception du rapport entre le contenu et le remplissage. Ainsi, la technologie reconnaît qu’un jus de cerise rouge est accompagné d’un logo avec une cerise rouge. Par conséquent, une banane sur le jus de cerise est considérée comme une erreur. De même, une étiquette mal positionnée peut désormais être identifiée comme un défaut.
La détection logique des erreurs peut être transposée dans de nombreuses autres applications. Ainsi, le Global Context Anomaly Detection peut identifier des composants manquants ou mal installés sur des circuits imprimés ou des étiquettes manquantes, ou encore effectuer des contrôles d’intégralité. Si, par exemple, un emballage doit contenir un certain nombre de vis et d’écrous, le Global Context Anomaly Detection apprend de manière autonome le nombre correct à l’aide des données d’entraînement et détecte avec précision s’il y en a trop ou pas assez. Jusqu’à présent, de telles applications impliquaient un travail de programmation très important. HALCONréduit les efforts, car selon l’application, seulement 100 images bonnes sont nécessaires pour un entraînement qui peut être terminé en quelques heures seulement.