Zu einer vollständig online unsupervisierten Anomalieerkennung und -lokalisierung im industriellen Vision-System

Obwohl bestehende Methoden zur Bild-Anomalieerkennung beeindruckende Ergebnisse erzielen, basieren sie überwiegend auf einem Offline-Lernparadigma, das eine umfangreiche Vorverarbeitung von Daten erfordert und ihre Anpassungsfähigkeit in industriellen Szenarien mit Online-Streaming-Daten einschränkt. Bild-Anomalieerkennungsmethoden, die auf Online-Lernen basieren, sind dagegen besser mit industriellen Streaming-Daten kompatibel, werden jedoch selten beachtet. In dieser Arbeit wird erstmals ein vollständig online lernendes Verfahren zur Bild-Anomalieerkennung vorgestellt, namens LeMO (Learning Memory for Online image anomaly detection). LeMO nutzt eine lernbare Speicherstruktur, die mit orthogonalen Zufallsrauschen initialisiert wird, wodurch der Bedarf an umfangreichen Datensammlungen zur Speicherinitialisierung entfällt und die Ineffizienz der Offline-Datensammlung umgangen wird. Zudem wird eine auf kontrastivem Lernen basierende Verlustfunktion für die Anomalieerkennung entworfen, die eine online-gleichzeitige Optimierung von Speicher und zielgerichteten Bildmerkmalen ermöglicht. Das vorgestellte Verfahren ist einfach und äußerst wirksam. Umfangreiche Experimente belegen die überlegene Leistungsfähigkeit von LeMO im Online-Setting. Darüber hinaus zeigt LeMO auch im Offline-Setting konkurrenzfähige Ergebnisse gegenüber aktuellen State-of-the-Art-Methoden und erzielt hervorragende Leistungen in Few-Shot-Szenarien.