Vollständig konvolutionale Cross-Scale-Flows für die bildbasierte Defektdetektion

In industriellen Fertigungsprozessen treten Fehler häufig zu unvorhersehbaren Zeiten und in unbekannten Manifestationen auf. Wir adressieren das Problem der automatischen Defektdetektion, ohne Bildbeispiele defekter Teile zu erfordern. Aktuelle Ansätze modellieren die Verteilung von fehlerfreien Bilddaten entweder mit starken statistischen Vorwissen oder übervereinfachten Datendarstellungen. Im Gegensatz dazu verarbeitet unser Ansatz fein granulare Darstellungen, die sowohl den globalen als auch den lokalen Bildkontext einbeziehen, während die Dichteschätzung flexibel erfolgt. Dazu stellen wir einen neuartigen vollständig konvolutionellen, cross-scale Normalizing Flow (CS-Flow) vor, der mehrere Feature-Maps unterschiedlicher Skalen gemeinsam verarbeitet. Die Verwendung von Normalizing Flows zur Zuweisung sinnvoller Likelihoods zu Eingabeproben ermöglicht eine effiziente Defektdetektion auf Bildebene. Zudem bleibt aufgrund der erhaltenen räumlichen Struktur der Latentraum des Normalizing Flow interpretierbar, was die Lokalisierung defekter Regionen im Bild erlaubt. Unsere Arbeit erreicht eine neue State-of-the-Art-Leistung bei der Bildebenen-Defektdetektion auf den Benchmark-Datensätzen Magnetic Tile Defects und MVTec AD, wobei ein AUROC von 100 % für vier von 15 Klassen erzielt wird.