FABLE: Automatisierter Prozess zur Stoffanomalieerkennung

Die unsupervised Anomalieerkennung in der Industrie ist ein bedeutendes und zunehmend relevantes Thema sowie ein entscheidender Schritt hin zu hochleistungsfähigen automatisierten Produktionsprozessen. Die überwiegende Mehrheit industrieller Ansätze konzentriert sich darauf, aus „guten“ (normalen) Proben zu lernen, um Anomalien zu detektieren – trotz der Tatsache, dass bestimmte industrielle Anwendungsszenarien noch geringere Anforderungen an das Training stellen und somit eine stärkere Generalisierungsfähigkeit für die Anomalieerkennung erfordern. Ein klassisches Beispiel hierfür ist die Erkennung von Stoffanomalien, bei der eine extrem große Vielfalt an Farben und Gewebetypen zu berücksichtigen ist, während eine Unterbrechung der Produktionslinie zur Datensammlung oder zum Training nicht akzeptabel ist. In diesem Artikel präsentieren wir einen automatisierten Prozess zur Erkennung von Texturdefekten in industriellen Stoffen, der einen spezifizierungsorientierten Lernprozess im Rahmen einer domänenverallgemeinernden Anomalieerkennung integriert. Die Kombination von Generalisierungsfähigkeit und einem gezielten Lernprozess ermöglicht eine schnelle und präzise Detektion sowie Segmentierung von Anomalien. Die Hauptbeiträge dieses Beitrags sind folgende: (1) Eine domänenverallgemeinernde Methode zur Textur-Anomalieerkennung, die die derzeitigen State-of-the-Art-Leistungen erreicht; (2) ein schneller, spezifischer Trainingsprozess auf Basis von „guten“ Proben, die durch den vorgeschlagenen Ansatz extrahiert werden; (3) eine selbstbewertende Methode basierend auf der kundenspezifischen Generierung von Defekten; sowie (4) ein automatisches Erkennen bereits gelernter Stoffmuster, um eine erneute, unnötige Retraining-Phase zu vermeiden.