ファクトリ オートメーションでの視覚的な欠陥検出

トレーニング データは、工場ラインで使用されているものとほぼ同等のカメラから収集された画像です。照明は、リング ライトなどの追加の照明器具を含め、工場の状態と一致している必要があります。カメラ レンズは画質にも影響を与える可能性があるため、最終システムで使用されるレンズ (複数の選択肢がある場合は複数のレンズ) と一致している必要があります。

データセットのグラウンド トゥルースは、欠陥部品の上にバウンディング ボックスを配置して示すことも、画像マスクを使用して、欠陥のある特定の領域のピクセルを分離して示すこともできます。前者はネジのような小さい単純な部品の場合、後者は PCB のような大きい複雑なオブジェクトの場合に適しています。モデル アーキテクチャによって必要なアノテーション タイプが変わる可能性があるため、データにラベル付けする前にモデル タイプを選択します。

CCStudio™ Edge AI Studio またはedgeai-modelmakerを使用すると、TI がサポートしているニューラルネットワーク向けにモデルをトレーニングできます。熟練した開発者は、異常検出にオートエンコーダーモデルを使用して、このタスクに取り組むことができます。

欠陥に最適なモデルタイプを選択してください。

• 物体検出モデル (YOLOX など)：亀裂、部品の欠落、その他の大きな欠陥など、個別の独立した欠陥の発見に最適です。
• セマンティック セグメンテーション モデル (DeepLabv3 など)：変色やテクスチャの問題など、表面レベルの問題を検出するのに最適です。

解像度と速度のバランス：

重要な小さい欠陥を捕捉するのに十分な高解像度を選択する必要がありますが、検査プロセスの速度を低下させるほど詳細である必要はありません。ほとんどのシステムでは、キャプチャされた元の画像を縮小して処理するデータの量を減らすことで、処理効率が向上します。

次のような場合は異常検出を検討してください。

欠陥が予測不可能な状況や、定義が困難な状況では、(オートエンコーダーを使用する) 異常検出モデルはより簡単なアプローチとなります。これらのモデルは、"正常な"製品がどのように見えるかを学習し、それと異なるものを潜在的な欠陥としてフラグ付けします。欠陥のサンプルをトレーニングする必要はありません。ただし、この種のモデルは Edge AI Studio や edgeai-modelmaker ではサポートされていないため、開発者はオートエンコーダー ニューラルネットワークを実装し、サポートされている形式 (ONNX など) にエクスポートする必要があります。 

モデルの展開では、ターゲット ハードウェア アクセラレータ用にモデルを事前にコンパイルする必要があります。Edge AI Studio や edgeai-modelmaker などのツールを使用すると、コンパイルが自動的に行われます。そうでない場合、モデルのコンパイルは BYOM (Bring Your Own Model) フローで TI の GitHub 上にある edgeai-tidl-tools などのソフトウェア パッケージを使用して別途実行する必要があります。

モデル アーティファクトは、ONNX Runtime、LiteRT(以前の tensorflow-lite)、TVMなどのランタイムを通じてデプロイされ、ハードウェア アクセラレーションのバックエンド ソフトウェアとしてTI Deep Learning (TIDL)が使用されます。

モデルをエンド ツー エンドのビジョン アプリケーションにデプロイするには edgeai-gst-apps を使用します。これにより、画像の前処理と後処理に加えて、AI モデル自体の高速化など、複数のハードウェア アクセラレーション ステージからパイプラインが構成されます。

TI では、edgeai-gst-apps に加えて、YOLOX-Nano オブジェクト検出ネットワークと edgeai-gst-apps をベースラインとして小型部品 (丸端子) の欠陥を検出するデモを作成しました。このモデルは、Edge AI Studio を使用してトレーニングを実施し、良好な部品と複数の種類の欠陥を認識できるようにしました。追加の後処理と可視化により、良好な部品と欠陥部品の数の統計値が表示されます。