HxGN Visual Detection：機械学習

AI を活用した表面検査

製品のお問い合わせ

HxGN Visual Detection は CNN（コンボリューショナルニューラルネットワーク）ディープラーニングモデルを使用して、表面欠陥をトレーニング、識別、分類します。開始するには、比較的少量の欠陥サンプル（数百ほど）が必要です。検出されなかった欠陥を明らかにするため、モデルは真のポジティブを識別する能力を高めるために訓練することができます。

HxGN Visual Detection のアルゴリズムは、パターン認識、統計、ディープラーニング、その他の画像処理技術を活用して、表面偏差を迅速に学習します。

HxGN Visual Detection の機械学習プロセス

1. ラベル

ビジョンシステムからさまざまなトレーニングセット画像をアップロードし、傷やへこみなどの分類で欠陥に注釈を付けます。生産実行中に発生する可能性のある不具合の種類をできるだけ多く作成します。

2. トレーニング

ディープラーニングモデルは、監督学習と呼ばれるトレーニングセットで作成された意思決定経路を最適化します。トレーニングセッションは数分か数時間で完了します。

3. 検査

ビジョンシステム、X 線装置、またはローカルフォルダから提供される画像内の欠陥を特定します。高度な GPU 処理アルゴリズムにより、検査速度が最適化されます。HxGN Visual Detection は完全な検査レポートを提供し、 PC-DMIS 経由で通知も提供できます。

ディープラーニングが高い精度を駆動

ディープラーニングの成功は、学習モデルとその環境の深さと感度に依存します。HxGN Visual Detection には、パフォーマンスと精度を最適化したモデル（X-CNN、X-CNN-Tiny、X-CNN-Plus、セグメンテーション）が含まれます。

高度なニューラルネットワークを構築することで、真のポジティブとも呼ばれる欠陥を迅速かつ正確に識別する HxGN Visual Detection の能力が向上します。合成画像データ増強、画像モーフィング、正規化、寸法縮小などの強力なアルゴリズムはすべて、このプロセスに貢献します。

これらのモデルの基盤は、GAN、YOLO、RCNN などの業界で受け入れられているフレームワークに基づいています。

HxGN Visual Detection は、カスタム CNN モデルと簡単に統合できるオープンアーキテクチャ設計を提供します。このアプリケーションは API を通じて拡張可能で、サードパーティの自動製造セルに統合できます。