Hard-Normal Beispiel-orientierte Vorlage-Wechselwirkungsmatching für die industrielle Anomalieerkennung

Anomaliedetektoren werden in der industriellen Fertigung weit verbreitet eingesetzt, um unbekannte Defekte in Abfragebildern zu erkennen und zu lokalisieren. Diese Detektoren werden auf fehlerfreien Beispielen trainiert und haben sich erfolgreich bei der Unterscheidung von Anomalien von den meisten normalen Beispielen bewährt. Allerdings sind sogenannte „hard-normal“-Beispiele (schwierig zu klassifizierende Normalklassen) oft verstreut und weit entfernt von den meisten normalen Beispielen, wodurch sie von bestehenden Methoden häufig fälschlicherweise als Anomalien erkannt werden. Um dieses Problem zu lösen, schlagen wir HETMM (Hard-normal Example-aware Template Mutual Matching) vor – einen effizienten Ansatz zur Konstruktion einer robusten, prototypenbasierten Entscheidungsgrenze. Insbesondere verwendet HETMM die vorgeschlagene Affine-invariante Template-Mutual-Matching-Methode (ATMM), um die Beeinflussung durch affine Transformationen und einfache Normalbeispiele zu minimieren. Durch wechselseitiges Matching von pixelbasierten Prototypen innerhalb patchbasierter Suchräume zwischen Abfrage- und Template-Satz kann ATMM präzise zwischen hard-normal-Beispielen und Anomalien unterscheiden und dabei niedrige Falschpositiv- und Auslassraten erzielen. Darüber hinaus führen wir PTS (Prototype-based Template Selection) ein, um den ursprünglichen Template-Satz zu komprimieren und somit die Geschwindigkeit zu erhöhen. PTS wählt Clusterzentren und hard-normal-Beispiele aus, um die ursprüngliche Entscheidungsgrenze zu bewahren, sodass die reduzierte Menge vergleichbare Leistung wie der ursprüngliche Satz erzielt. Umfangreiche Experimente zeigen, dass HETMM state-of-the-art-Methoden übertrifft. Zudem ermöglicht ein kompakter Template-Satz mit nur 60 Bildern eine wettbewerbsfähige Leistung und Echtzeit-Inferenzgeschwindigkeit (ca. 26,1 FPS) auf einer Quadro 8000 RTX-GPU. HETMM ist trainingsfrei und kann durch direkte Einfügung neuer Beispiele im Template-Satz „hot-updated“ werden, was eine schnelle Bewältigung von Inkremental-Lernproblemen in der industriellen Fertigung ermöglicht.