Modellbasiertes Lernen in der Oberflächeninspektion

Industrielle Bildverarbeitung wird in immer größerem Maße automatisiert. Vollständig autonom lernende Systeme sind aber häufig nicht realisierbar, da Repräsentanten der aufzufindenden Fehlerklassen nicht in ausreichendem Maße vorliegen. Wir stellen hier ein Vorgehen vor, das sowohl die parametrisierbaren Methoden der Bildverarbeitung nutzt, als auch moderne Modellierungs- und Lernverfahren. Modellannahmen werden dabei zur Einbringung von Vorwissen in Kontur- und Segmentierungsdetektion genutzt, maschinelles Lernen zur Detektion auffälliger Regionen. Da die Beschaffung von Fehlermustern in der Regel wesentlich aufwändiger ist, als diejenige von Gutteilen, werden hier Methoden der sogenannten Ein-Klassen-Klassifikation bzw. des PU-Learnings (positive and unlabelled data) vorgestellt. Die Anwendbarkeit und Flexibilität der genannten Verfahren wird an Hand einiger Beispiele aus der industriellen Praxis demonstriert.

Industrialimageprocessingisbeingincreasingly automated. However, fully autonomous learning systems are often not feasible because representatives of the error classes to be found are not sufciently available. We present a procedure using both parameterizable methods (classical image processing) and modern modeling and learning methods. Model assumptions act as prior knowl-edge in contour and segmentation detection, while machine learning techniques are used for detecting conspicuous regions. Since the procurement of defect patterns is usually much more complex than that of good parts, methods of so-called one-class classifcation or PU learning (positive and unlabelled data) are presented here. The applicability and flexibility of the above-mentioned methods are demonstrated on examples from industrial inspection systems.