5 min read· 1,128 words

Defektdeteksjon med Deep Learning: GitHub-prosjekter og industriell praksis

Publisert: 3. februar 2026·Oppdatert: 29. mars 2026·Gjennomgått av Opsios ingeniørteam

Johan Carlsson

Country Manager, Sweden

AI, DevOps, Security, and Cloud Solutioning. 12+ years leading enterprise cloud transformation across Scandinavia

Defektdeteksjon med Deep Learning: GitHub-prosjekter og industriell praksis

Hva er defektdeteksjon med deep learning?

Defektdeteksjon handler om å identifisere feil, avvik eller skader i fysiske produkter – automatisk og med høy nøyaktighet. Tradisjonelle regelbaserte systemer har lenge vært standarden i industrien, men de krever manuell kalibrering og fungerer dårlig med varierende lysforhold, nye produkttyper eller subtile feilmønstre. Deep learning endrer dette fundamentalt.

Konvolusjonelle nevrale nettverk (CNN), segmenteringsmodeller som U-Net, og objektdeteksjonsarkitekturer som YOLO og Faster R-CNN kan trenes til å gjenkjenne defekter med en presisjon som overgår menneskelig inspeksjon – og gjøre det i sanntid på produksjonslinjer. Modellene lærer direkte fra pikseldata og generaliserer til defekttyper de aldri eksplisitt er programmert for å finne.

For norske produksjonsbedrifter, offshore-leverandører og elektronikkprodusenter representerer dette en konkret mulighet til å redusere kassasjon, minimere stans og dokumentere kvalitet i tråd med krav fra Datatilsynet og rammeverk som NIS2 – spesielt der bildeinsamling og maskinlæring behandler sensitiv produksjonsdata.

Sentrale GitHub-prosjekter og modellarkitekturer

GitHub er det naturlige utgangspunktet for å orientere seg i feltet. En rekke åpne prosjekter gir både referanseimplementasjoner og treningsdata som er direkte relevante for industrielle brukstilfeller.

Ståloverflatedeteksjon med U-Net og NEU-DET

NEU-DET-datasettet fra Northeastern University inneholder bilder av seks vanlige ståloverflatedefekter: valsemerker, lappemerker, krakelering, groper, inklusionerog avskalling. Prosjekter basert på dette datasettet bruker typisk U-Net – en segmenteringsarkitektur opprinnelig utviklet for medisinsk bildeanalyse – til å produsere pikseleksakte masker over defektområder. U-Net er spesielt egnet fordi den gir god ytelse selv med relativt få treningseksempler, noe som er realistisk i industrielle settinger.

Kretskortinspeksjon (PCB) med ende-til-ende-læring

PCB-defektdeteksjon kombinerer datasyn med domenekunnskap om elektronikkproduksjon. Åpne GitHub-implementasjoner demonstrerer komplette pipelines: bildeinnhenting, forbehandling, augmentering, modelltrening og inferens. Typiske defekter inkluderer manglende komponenter, feilplassering, loddefeil og kortslutninger. Modeller som YOLOv8 og tilpassede CNN-arkitekturer brukes for rask deteksjon med høy gjennomstrømning.

AWS SageMaker og automatisert kvalitetskontroll

AWS Labs har publisert en referanseløsning for defektdeteksjon bygget på Amazon SageMaker. Løsningen dekker hele arbeidsflyten: datainnhenting fra S3, modelltrening med innebygde algoritmer, distribusjon som SageMaker-endepunkt og integrering med produksjonssystemer via API. Dette er særlig relevant for norske virksomheter som allerede er på AWS-plattformen og ønsker å bygge skalerbar inferensinfrastruktur uten å håndtere underliggende Kubernetes-klustere manuelt.

PCA-basert forbehandling og avansert segmentering

Noen datasett, særlig de som lagres som .mat-filer fra Matlab-baserte inspeksjonssystemer, krever forbehandling før de kan brukes i deep learning-pipelines. Principal Component Analysis (PCA) brukes til å forsterke defektinformasjon i rådata før merking med verktøy som Labelme. Resulterende JSON-annoteringer konverteres til treningsklare masker. Dette mønsteret er typisk i forskningsmiljøer og avanserte industrielle prosjekter.

Gratis eksperthjelp

Trenger dere eksperthjelp med defektdeteksjon med deep learning?

Våre skyarkitekter hjelper dere med defektdeteksjon med deep learning — fra strategi til implementering. Book et gratis 30-minutters rådgivningssamtale uten forpliktelse.

Solution ArchitectAI-spesialistSikkerhetsekspertDevOps-ingeniør

50+ sertifiserte ingeniørerAWS Advanced Partner24/7 support

Brukstilfeller i norsk industri

Defektdeteksjon med deep learning er ikke forbeholdt storskala fabrikker. Nedenfor er konkrete brukstilfeller der norske virksomheter allerede ser verdien:

Offshore og subsea: Automatisk inspeksjon av sveiseskjøter og rørkomponenter ved hjelp av kameradata fra ROV-er. Modeller trent på defektbilder kan flagge korrosjon og sprekker for menneskelig gjennomgang.
Tekstil- og materialproduksjon: Deteksjon av vevfeil i tekstil ved hjelp av linjeskanningskameraer og CNN-modeller trent på domenespesifikke datasett. Reduserer manuell sortering og øker gjennomstrømning.
Elektronikkproduksjon: PCB-inspeksjon i sanntid på monteringslinjer. Integrasjon mot MES-systemer (Manufacturing Execution Systems) via REST API.
Næringsmiddelindustri: Optisk sortering og deteksjon av fremmedlegemer eller overflatedefekter på produkter i bevegelse langs transportbånd.
Maritim sektor: Skroginsepsjon med dronebilder og segmenteringsmodeller for å identifisere malingsskader, begroing og korrosjon.

Felles for disse tilfellene er behovet for lav latens (gjerne under 50 ms per bilde ved inline-inspeksjon), høy presisjon og reproduserbar logging av deteksjonshendelser – krav som stiller tydelige forventninger til infrastruktur og MLOps-modenhet.

Evalueringskriterier for defektdeteksjonsmodeller

Å velge riktig modellarkitektur og treningsstrategi krever en strukturert tilnærming. Tabellen nedenfor sammenligner de vanligste arkitekturene på tvers av nøkkelparametre relevante for industriell bruk:

Arkitektur	Oppgavetype	Styrke	Begrensning	Typisk bruk
U-Net	Semantisk segmentering	God ytelse med lite data, pikseleksakt	Treg ved høy oppløsning	Stål, tekstil, medisinsk
YOLOv8	Objektdeteksjon	Svært rask inferens, enkel distribusjon	Svakere på små/tette defekter	PCB, monteringslinje
Faster R-CNN	Objektdeteksjon	Høy presisjon, god på varierte defekter	Høyere latens enn YOLO	Offline inspeksjon, batch
Vision Transformer (ViT)	Klassifisering / deteksjon	Excellent ytelse med store datasett	Krever mye treningsdata og GPU	Forskning, storskala fabrikk
Autoencoder / Anomalideteksjon	Anomalideteksjon (usupervised)	Trenger ikke merket data	Høyere falsk-positiv-rate	Nye produkttyper, lav datamengde

Ved valg av modell bør man i tillegg vurdere: datasettbalanse (defekter er ofte sjeldne hendelser), augmenteringsstrategi for å håndtere varierende lysforhold og kameravinkler, samt krav til forklarbarhet (XAI) dersom deteksjonsbeslutninger skal dokumenteres for revisjonsformål.

Vanlige fallgruver ved implementering

Mange prosjekter innen defektdeteksjon strander i overgangen fra proof-of-concept til produksjonssetting. De hyppigste feilene inkluderer:

Datasettskjevhet: Modellen trenes på bilder tatt under ideelle laboratorieforhold, men eksponeres for kameravariasjoner, støv og lysflimmer i produksjon. Robust augmentering og domenetilpasning er nødvendig.
Mangelfull merking: Dårlig kvalitet på annotasjoner – overlappende klasser, inkonsistente grenser – forplanter seg direkte til modellytelse. Verktøy som Labelme, CVAT eller Label Studio bør brukes systematisk.
Ingen MLOps-infrastruktur: Uten versjonering av modeller, datasett og eksperimenter (f.eks. via MLflow eller SageMaker Experiments) blir det umulig å reprodusere resultater eller rulle tilbake til tidligere modellversjoner.
Underestimering av inferensinfrastruktur: En modell som kjører fint på en bærbar PC vil krasje eller gi uakseptabel latens når den skaleres til produksjonsvolumer. Containerisering med Docker, orkestrering via Kubernetes og autoskalering er påkrevd.
Manglende overvåkning av modellytelse: Modeller degraderes over tid ettersom produksjonsforhold endres (kamerabytter, nye produktvarianter). Kontinuerlig overvåkning av presisjon og tilbakekalling i produksjon er kritisk.
Sikkerhet og dataflyt: Bildestøm fra produksjonsutstyr kan inneholde sensitiv informasjon om prosesser og produkter. I henhold til NIS2 og norske NSM-veiledninger må dataflyt krypteres, tilganger begrenses og avvikshåndtering dokumenteres.

Opsios tilnærming: fra GitHub-prototype til produksjonsklar løsning

Opsio er AWS Advanced Tier Services Partner med AWS Migration Competency, samt partner med Microsoft og Google Cloud. Med over 50 sertifiserte ingeniører, CKA/CKAD-sertifiserte Kubernetes-spesialister og mer enn 3 000 gjennomførte prosjekter siden 2022 har Opsio bred erfaring med å løfte maskinlæringsarbeidflyter fra eksperimentstadiet til skalerbar, sikker produksjonsinfrastruktur.

For defektdeteksjonspipelines betyr dette typisk:

Infrastruktur som kode med Terraform for reproduserbar provisjonering av GPU-instanser, S3-bøtter og SageMaker-endepunkter – enten på AWS, Azure eller Google Cloud.
Containeriserte inferenstjenester orkestrert med Kubernetes, med autoskalering basert på inferenskø-dybde og sanntids ressursutnyttelse.
Datasikkerhet og tilgangskontroll i tråd med NSMs grunnprinsipper og Datatilsynets retningslinjer for behandling av produksjonsdata.
Overvåkning med Amazon GuardDuty eller Microsoft Sentinel for å oppdage uautorisert tilgang til treningsdata og modellartefakter.
Backup og disaster recovery for modellregistre og treningsdatasett via Velero og skybaserte replikeringsmekanismer.
24/7 NOC med 99,9 % oppetids-SLA – kritisk for inline-inspeksjonssystemer der nedetid har direkte produksjonskostnad.

Opsios ingeniørteam opererer fra hovedkontor i Karlstad, Sverige og leveransesenter i Bangalore, India, noe som muliggjør kontinuerlig dekning og rask responstid for norske kunder.

Det som skiller Opsio fra rene softwareleverandører er evnen til å håndtere hele stacken: fra dataingeniørarbeid og modelltrening via MLOps-infrastruktur til driftssikkerhet og compliance-dokumentasjon. For norske industribedrifter som ønsker å gå fra GitHub-prototype til en løsning som faktisk kjører – og faktisk holder – er dette kombinasjonen som gjør forskjellen.

Om forfatteren