Mitte Juni konnten wir unser neuestes Paper zur Anomalie-Erkennung in einem Workshop der diesjährigen CVPR-Konferenz vorstellen. Anomalie Detektion ist ein Verfahren der KI-basierten Bildverarbeitung um schnell Unterschiede auf Objekten sichtbar zu machen. Unsere Forschung konzentriert sich auf ein technisches Problem, die Erkennung bekannter Anomalie-Klassen auf unterschiedlichen Objekten, ohne dass hierfür Trainingsdaten für ein neues Objekt gesammelt werden müssen. Einen kurzen Überblick zum Forschungsthema finden Sie in diesem Beitrag.

Figure 1: Screenshot unseres Arxiv Papers für die CVPR 2024

Durch Anomalie-Erkennung kann die Qualitätskontrolle automatisiert und das Ausliefern oder Verbauen fehlerhafter Bauteile verhindert werden. Aktuell werden Anomalie-Erkennungsmodelle auf einem Objekt trainiert und funktionieren nur auf diesem. In der Praxis ist dies problematisch, wenn neue Objekte geprüft oder bestehende Objekte leicht verändert werden. Für diese Fälle müssen die Modelle für die neuen Objekte und Variationen komplett neu trainiert werden, was das Sammeln neuer Bilddaten erfordert – ein oft zeitaufwendiger Prozess.

Ziel des Forschungsprojekts war es deshalb neue Anomalie-Erkennungsmodelle zu kreiren, die bekannte Anomalie-Klassen auf neuen Objekten erkennen können, ohne dass ein Nachtrainieren erforderlich ist. Um verschiedene Ansätze vergleichen zu können, haben wir zunächst Referenzdatensätze erstellt. Dafür nutzen wir den bekannten MVTec Anomaly Detection Datensatz als Grundlage. Dabei wurden ähnlich aussehende Anomalien von unterschiedlichen Objekten zu jeweils einem Datensatz zusammengefasst. Jeweils eine Art von Objekten wird schließlich zum Testen genutzt, die andere für das Training.

Figure 2: Beispiel-Bilder aus dem Datensatz: verschiedene Objekte mit Löchern (c)MVTec (CC BY-NC-SA 4.0).

Außerdem wurden von uns zwei neue Anomalie-Erkennungsansätze eingeführt: das Spatial Embedding MLP (SEMLP) und Labeled PatchCore. Beide Verfahren bauen auf bewährte und vortrainierte Modelle auf, was bedeutet, dass sie mit wenigen Bildern leicht trainiert werden können.

Mit den neuen Datensätzen können nun objektübergreifende Modelle erforscht und verglichen werden. Dazu werden die Modelle auf verschiedenen Objekten darauf trainiert, eine bestimmte Anomalie zu erkennen. Anschließend werden diese auf einem zuvor ungesehenen, neuen Objekt evaluiert. Dadurch wird getestet wie gut der Transfer von Anomalie-Klassen auf neue Objekte funktioniert. Einer unserer Ansätze, das SEMLP, zeigt bereits vielversprechende Ergebnisse. Die Performance-Metrik Image-level AUROC liegt bei 87,2 %, was bedeutet, dass auf unbekannten Objekten bereits viele Anomalien erkannt werden, aber es auch noch Verbesserungspotenzial gibt.

Figure 3: Ergebnisse zur Erkennung von Löchern in Holz; die meisten Fehler werden sehr gut erkannt, allerdings gibt es im dritten Bild auch noch Verbesserungsbedarf

Da die Objekte in unseren Datensätzen sehr unterschiedlich sind – von Haselnüssen über Stoff bis hin zu Leder – ist davon auszugehen, dass bei ähnlichen Objekten noch bessere Ergebnisse zu erwarten sind.

Unsere Forschung zeigt, dass bekannte Fehler auf zuvor unbekannten Objekten erkannt werden können, selbst wenn diese Objekte grundlegend anders aussehen. Diese Entwicklungen markieren einen bedeutenden Fortschritt in der Qualitätssicherung und bieten spannende Perspektiven für die Zukunft der Anomalie-Erkennung.

Den Volltext gibt es kostenlos über folgenden Link:

Sie haben einen Anwendungsfall, der sich für Anomaliedetektion eignet?

Gerne können Sie unsere Software ausprobieren.

Vielen Dank an alle die am Projekt mitgewirkt haben!

Jonas B. und David

Feel free to contact us anytimes at contact@preml.io