Mixed Supervision für die Oberflächenfehlerdetektion: von schwach bis vollständig überwachtem Lernen

Deep-Learning-Verfahren werden in letzter Zeit zunehmend für die Erkennung von Oberflächenfehlern im industriellen Qualitätskontrollprozess eingesetzt. Allerdings erfordern viele dieser Ansätze aufgrund des hohen Datenaufwands und der Notwendigkeit hochpräziser Labels eine erhebliche Anzahl an annotierten Daten, was viele industrielle Anwendungen entweder schwer lösbar oder aufgrund der hohen Kosten für die Annotation unpraktisch macht. In dieser Arbeit lockern wir die strengen Anforderungen vollständig überwachter Lernmethoden ab und reduzieren den Bedarf an detaillierten Annotationen. Durch die Einführung einer tiefen neuronalen Architektur untersuchen wir die Nutzung von Annotationen unterschiedlicher Detailgenauigkeit – von schwachen (bildweisen) Labels über gemischte Überwachung bis hin zu vollständigen (pixelgenauen) Annotationen – im Kontext der Oberflächenfehlererkennung. Die vorgeschlagene end-to-end-Architektur besteht aus zwei Subnetzen, die jeweils Ergebnisse für die Defektsegmentierung und -klassifizierung liefern. Das vorgeschlagene Verfahren wird an mehreren Datensätzen für industrielle Qualitätsprüfungen evaluiert: KolektorSDD, DAGM und Severstal Steel Defect. Zudem stellen wir einen neuen Datensatz namens KolektorSDD2 vor, der über 3000 Bilder mit mehreren Defektarten enthält und im Rahmen einer realen industriellen Herausforderung erfasst wurde. Wir zeigen state-of-the-art-Ergebnisse auf allen vier Datensätzen. Die vorgeschlagene Methode übertrifft alle verwandten Ansätze sowohl in vollständig überwachten Szenarien als auch schwach überwachte Methoden, wenn lediglich bildweise Labels zur Verfügung stehen. Zudem zeigen wir, dass eine gemischte Überwachung – bei der lediglich wenige vollständig annotierte Beispiele zu schwach annotierten Trainingsbildern hinzugefügt werden – eine Leistung erzielt, die vergleichbar mit der eines vollständig überwachten Modells ist, jedoch mit deutlich geringeren Annotationskosten.