解析 (赤)
解析 (赤) ツールは、次のようなタスクを実行できます。
-
画像の異常や外観上の欠陥の検出
-
対象ゾーンのさまざまな外観の学習による、欠陥やその他の対象領域のセグメント化
-
オブジェクトの正常な外観の学習による、複雑な表面の傷、不完全または不適切な組み立て、および生地の織りの異常の識別
ツールタイプ
マシンビジョンの問題を解決するために 解析 (赤) ツールが必要であるとわかった場合、登録
学習とは、ニューラルネットワークであるツールが、作成したラベルに基づいて特徴 (ピクセル) について学習するプロセスです。たとえば、ツールは、描画した欠陥/正常ラベルに基づいて、各画像の欠陥/正常ピクセルを学習します。ツールへの登録の目標は、初見の画像に欠陥があるかどうかの正しい検査結果を出せるように学習することです。学習の鍵は、学習セット内に発生する可能性のすべてのバリエーションを含め、画像に正確にラベルを付けることです。学習時間は、アプリケーション、ツールのセットアップ、およびネットワークの学習に使用されている PC の GPU によって異なります。に使用するツールのタイプを選ばなければなりません。これは、[ツールのパラメータ] サイドバーで [タイプ] パラメータを設定することによって実行できます。
解析 (赤) ツールには以下のタイプがあります。
-
標準 タイプは、異常検出やセグメント化の問題を解決するためのものです。
-
アンスーパーバイズド タイプは、異常検出の問題を解決するためのものです。
-
レガシー タイプは、以前の VisionPro Deep Learning ソフトウェアバージョンのフォーカスモードツールとの互換性を持たせるためのものです。
異なるツールタイプは、異なるタイプのニューラルネットワークモデル 各 VisionPro Deep Learning ツールはニューラルネットワークです。ニューラルネットワークは、人間の脳内の生物学的なニューロンの働きを模倣しています。ニューラルネットワークは、ノードと呼ばれる相互接続された人工ニューロンの層で構成されており、複数の層があります。ニューラルネットワークは、画像分類やパターン認識のようなタスクにおいて優れています。に対応します。登録時間と処理時間が長くなっても精度の高い結果を取得したい場合は、標準 タイプを使用します。標準 タイプのツールは画像のパッチをランダムに検査します。一方、レガシー タイプのツールは特徴のサンプラーを活用するため、選択的で、有用な情報を含む画像の部分に照準が合わされます。そのため、特に画像のあらゆる場所に重要な情報が存在する場合、重要な情報を十分にツールで伝送できない可能性があります。
ツールチェーン内でタイプを組み合わせて使用することができます。たとえば、最初に アンスーパーバイズド タイプのツールで目に見える異常をフィルタ処理した後で、後に続く 1 つ以上の 標準 タイプのツールを使用して、傷、低コントラストの汚れ、テクスチャの変化などの欠陥を検出できます。
標準 タイプ
標準 タイプのツールは、画像の中で欠陥がある領域を検出できます。たとえば、金属表面の割れ目や傷を検出することができます。登録画像の欠陥にラベルを付けることで、何を探すかをツールに学習させます。登録後、ツールは初見の画像において同様の欠陥をマークすることができます。
標準 タイプには次のような利点があります。
-
傷、亀裂、割れ目などの線状の欠陥を効果的に検出する。
-
特定の欠陥タイプを検出する。
-
サイズや形状など、測定可能な欠陥パラメータを検出する。
-
異なるタイプや向きの部品に対する許容値が高い。
-
登録で検証
検証とは、ツールへの登録中のパフォーマンスの評価に役立つプロセスを指します。検証とは、ツールが登録フェーズで受ける模擬試験のようなもので、最終テストとは異なります。たとえば、検証により、オーバーフィッティングを認識し、ツールへの登録時に時間を無駄にするのを防ぐことができます。ツールでオーバーフィッティングが生じていると認識した場合、登録を早期に停止することができます。画像セットを使用して検証損失 損失とは検証損失を指し、ツールの検証セットでのパフォーマンスを示す指標です。損失には 0 ～ 1 の値を使用できます。VisionPro Deep Learning アプリケーションは、検証セット内の画像処理時にツールが犯すエラーに基づいて損失を計算します。登録中、損失のインスペクタを使用してリアルタイムで損失を確認できます。をモニタし、[損失のインスペクタ] 機能をサポートしています。 -
マルチクラスのセグメント化に対応しており、ツールが識別するための異なる欠陥のクラスを作成できる。たとえば、「ブロブ」と呼ばれる欠陥クラスと、「傷」と呼ばれる別のクラスを持つことができる。
-
NVIDIA Tensor RT を使用した、ランタイムの処理速度の最適化をサポートしています。
-
ロバストモードをサポートしています。このモードを選択すると、ツールに再登録せずに、ツールを異なる生産ラインや新しい製品に使用できます。このモードでは、ツールが生産ラインの変化や、同様の欠陥を持つ製品のバリエーションに適応できます。
注: ロバストモードでは、画像サイズが大きくなると処理時間が増加します。
標準 タイプのツールは、以下の機能をサポートしています。
| モード | NVIDIA Tensor RT 速度の最適化 | 外れ値得点 | マルチクラスのセグメント化 |
| 高速 | 有 | 無 | 有 |
| 正確 | 有 | 無 | 有 |
| ロバスト | 無 | 無 | 有 |
標準 タイプのツールに登録する際には、以下の点に注意してください。
-
「良好」な画像を使用することで、欠陥のない部分を無視するようツールに登録します。
-
実行時に遭遇することが予想されるあらゆる欠陥と、欠陥のない画像を含む登録画像セット
特定のアプリケーションの画像のコレクション。登録画像セットは、ランタイムシステムの照明特性、光学的特性、および機械的特性を使用して、一貫した方法で取得された特定のパーツまたはプロセスの画像を表します。登録画像セットには、通常の操作で予想される範囲の画像外観を表す画像を含めます。を用意する必要があります。ツールは登録画像セットから学習した欠陥のみを検出します。たとえば、汚れがどのようなものであるかだけを学習させた場合、傷を見つけることはできません。
アンスーパーバイズド タイプ
アンスーパーバイズド タイプのツールは、良好な部品を示す画像を使って欠陥を認識するように登録します。つまり、アンスーパーバイズド タイプのツールの場合、良好な部品の外観のみを学習し、それに基づいて不良な部品を認識します。
アンスーパーバイズド タイプには次のような利点があります。
-
予期しない欠陥を確実に検出する。
-
登録には良好な部品の画像のみが必要である。
アンスーパーバイズド タイプには次のような課題があります。
-
異なるタイプや向きの部品の影響を受けやすい。このような差異がある場合、ツールで特定の異常を検出できないことがある。
-
傷、亀裂、割れ目などの線状の欠陥を検出する可能性が低い。
-
欠陥タイプを検出できない。
-
サイズや形状など、測定可能な欠陥パラメータを検出できない。
最適な結果を得るには、欠陥を示す画像を登録画像セットに含めてください。アンスーパーバイズド タイプのツールは、登録フェーズ中に「不良」のラベルが付けられた画像を無視しますが、これらの画像はツールのパフォーマンスをテストおよび検証する際に有用です。欠陥部品の画像は、ツールが欠陥をどの程度正確に検出しているかを判断するのに役立ちます。
アンスーパーバイズド タイプのツールは、サンプリング領域に関連付けられた特徴のサンプラーでピクセルをサンプリングします。[ツールのパラメータ] サイドバーのサンプリングパラメータを使用して、サンプリング領域を定義します。サンプリング領域に欠陥ピクセルが含まれていない場合は、ネットワークが応答を生成しない必要があります。
レガシー タイプ
レガシー タイプのツールは、標準 タイプのツールよりシンプルなバージョンです。
-
レガシー タイプのツールは 標準 タイプのツールより処理時間が短くなりますが、セグメンテーション
セグメンテーションとは、画像からビューを選択するプロセスです。パフォーマンスが低下します。 -
マルチクラスのセグメント化に対応しており、ツールが識別するための異なる欠陥のクラスを作成できる。たとえば、「ブロブ」と呼ばれる欠陥クラスと、「傷」と呼ばれる別のクラスを持つことができる。
レガシー タイプのツールは、サンプリング領域に関連付けられた特徴のサンプラーでピクセルをサンプリングします。[ツールのパラメータ] サイドバーのサンプリングパラメータを使用して、サンプリング領域を定義します。サンプリング領域に欠陥ピクセルが含まれていない場合は、ネットワークが応答を生成しない必要があります。