Ein zentrales Element der hier vorgestellten Anomalieerkennung ist ein speziell entwickeltes Verfahren, das keine Trainingsbilder mit echten Anomalien benötigt. Es generiert seine eigenen anomalen Trainingsdaten und erfordert dafür lediglich Bilder von fehlerfreien Oberflächen. Bild 2 zeigt das Verfahren AnomalyAI von der Datenerstellung (Obfuscation), über das Modell-Training, bis hin zur Erkennung echter Anomalien.
Datenerstellung
Die Grundlage des Verfahrens bildet die Erzeugung der synthetischen Trainingsdaten. Fehlerfreie Bilder werden verwendet und erhalten durch sogenannte Obfuscators gezielte künstliche Artefakte. Diese synthetischen Anomalien müssen nicht unbedingt wie echte Anomalien aussehen, sondern lediglich die Struktur der Oberfläche ausreichend verzerren. Da keine echten Anomalien künstlich nachgebildet werden, lassen sich so Trainingsbilder für nahezu jede Produktoberfläche erstellen. Das ist Grundvoraussetzung für den generischen Ansatz des Verfahrens. Bild 1 zeigt beispielhaft die verwendeten Obfuscators. Diese werden verwendet, um an einer beliebigen Stelle in einer zufälligen Farbe und Form die unterschiedlichen Artefakte dem Bild hinzuführen. So lassen sich mit wenig Aufwand, umfangreiche Datensätze erstellen. Das verwendete Modell ist ein U-Net Autoencoder, der aus einem Encoder und einem Decoder besteht. Der Encoder extrahiert wesentliche Merkmale des Bildes, während der Decoder diese nutzt, um das Bild zu rekonstruieren. Das Modell zielt darauf ab, Anomalien aus einem Bild zu eliminieren und eine fehlerfreie Version des Bildes zu erzeugen. Wichtig ist dabei, dass die Anomalien nicht vollständig entfernt werden müssen. Es genügt, wenn die Differenz zwischen Eingabe- und Ausgabebild zur Anomalieerkennung ausreicht. Das Modell unterscheidet dabei nicht, ob es echte oder synthetische Anomalien entfernt.
Wie Anomalien erkannt werden
Anders als etablierte Verfahren zur Anomalieerkennung wird kein Modell erzeugt, welches die Merkmale bekannter Anomalien erlernt. Statdessen erlernt das Modell wie fehlerfreie Oberflächen aussehen. Alle Merkmale eines Bildes, die davon abweichen, werden als anomal angesehen. Für die finale Anomalieerkennung wird das original fehlerbehaftete Bild mit dem bereinigten Bild des U-Net Autoencoders verglichen. Die Differenz der beiden Bilder macht die Anomalien sichtbar, da die Unterschiede zwischen beiden Bildern klar die Fehlerbereiche aufzeigen.
In Bild 3 ist eine Auswahl der Ergebnisse des Anomalieerkennungsverfahrens zu sehen, das am MVTec Anomaliedetection-Datensatz getestet wurde. Der MVTec-Datensatz dient als weitverbreiteter Benchmark und enthält verschiedene industrielle Oberflächen. Der Fokus lag auf den Oberflächen Holz, Leder und Teppich. Das Anomalieerkennungsverfahren zeigt bei homogenen Oberflächen wie Stoff, Holz und Leder eine beeindruckende Präzision. Das System erkennt zuverlässig kleinste Unregelmäßigkeiten wie Kratzer, Flecken und Risse. Bei heterogenen und komplexen Oberflächen wie Reißverschlüssen stößt das Verfahren jedoch auf größere Herausforderungen. Variierende Texturen und Muster erhöhen die Anzahl falscher Fehleridentifikationen oder übersehener Anomalien. Zudem schwächelt das Verfahren bei freigestellten Objekten wie z.B. Schrauben oder Tabletten.
Fazit
Das Verfahren erkennt zuverlässig bestimmte Arten von Anomalien, ohne dass echte Fehlerbilder erforderlich sind. Es erlernt nicht die auf den Oberflächen unerwünschten Anomalien, sondern konzentriert sich darauf, die Struktur fehlerfreier Oberflächen zu erlernen. Dies unterscheidet das Verfahren von etablierten Methoden und erlaubt eine schnelle Anwendung auf verschiedenen Oberflächen. Tests an homogenen Oberflächen wie Stoff, Holz und Leder belegen eine hohe Präzision. Trotz Herausforderungen bei komplexeren Oberflächen bietet das Verfahren flexible und anpassungsfähige Lösungen sowie deutlich mehr Flexibilität und Effizienz gegenüber etablierten Verfahren.