Red-Analyze-Werkzeug

Mit dem Red-Analyze-Werkzeug werden zwei Arten der Fehlererkennung – Anomalieerkennung oder Fehlererkennung und Segmentierung – durchgeführt, abhängig vom Betriebsmodus (Unsupervised – unüberwacht – oder Supervised – überwacht). Der Grund für die unterschiedlichen Betriebsarten liegt in den kleinen Unterschieden, die es zwischen den beiden Arten der Fehlererkennung geben kann.

Unsupervised-Modus

Im Unsupervised-Modus lernt das Red-Analyze-Werkzeug das Aussehen der guten Teile – und zwar nur der guten Teile (mit allen zulässigen Varianten) – und findet anschließend Anomalien von dem eingelernten, normalen Aussehen. Als solches versucht das Werkzeug, eine kompakte Beschreibung des Objekts zu finden, das inspiziert werden soll. Die Fähigkeit des Werkzeugs, Anomalien zu finden (sowohl bezüglich Selektion als auch Genauigkeit), hängt größtenteils von der Kompaktheit des Modells ab. Wenn zum Beispiel das Teil verschiedene Typen und Ausrichtungen aufweisen kann, wird die Kompaktheit reduziert und Mehrdeutigkeiten zwischen Teiletypen und Ausrichtungen können verhindern, dass das Werkzeug bestimmte Anomalien findet.

Supervised-Modus

Im Supervised-Modus lernt das Red-Analyze-Werkzeug das Aussehen von Fehlern. Als solches wird kein (explizites) Modell des inspizierten Teils erstellt. Daher ist es wesentlich weniger von der Konfiguration, dem Typ oder den Bedingungen während der Bildaufnahme abhängig. Das Red-Analyze-Werkzeug im Supervised-Modus muss jedoch ein explizites Modell für die verschiedenen Fehlerarten erstellen. Dazu benötigt es beim Training sowohl gute als auch schlechte Beispiele. Insbesondere benötigt es eine repräsentative Sammlung schlechter Beispiele (deren Beschaffung oft eine Herausforderung darstellt).

Im Supervised-Modus kann ein Red-Analyze-Werkzeug auch nach anderen Unterschieden, nicht nur nach Fehlern suchen. Mit dem Werkzeug können Bereiche in einem Bild identifiziert werden, die vorhanden sein müssen. Mit einem Red-Analyze-Werkzeug im Supervised-Modus können die Zielbereiche der Trainingsbilder gelabelt werden, damit ähnliche Bereichsarten nach dem Training in nicht eingelernten Bildern gefunden und markiert werden können.

Die beiden Modi ergänzen sich bezüglich Leistung und Anforderungen gegenseitig und können gemeinsam verwendet werden. Beispiel: Zuerst können mit einem Unsupervised-Werkzeug visuelle Anomalien herausgefiltert werden. Mit nachfolgenden Supervised-Werkzeugen können anschließend spezifische, visuell schwer zu erkennende Fehler wie Kratzer, Flecken mit niedrigem Kontrast oder Texturänderungen gesucht werden.

Herausforderung	Unsupervised-Modus	Supervised-Modus
Findet unvorhergesehene Fehler	Wahrscheinlich	Kaum
Fehlerbeispiele notwendig	Nein	Ja
Empfindlichkeit gegenüber Teilekonfigurationen und ‑varianten	Stark	Gering
Erkennt fertigungsbedingte Fehler wie Kratzer, Risse, Brüche	Schwer	Einfach
Erkennt spezifische Fehlerarten	Nein	Möglich
Messbare Fehlerparameter (neben Position und Intensität)	Nein	Größe, Form