Neu betrachtung der tiefen Merkmalsrekonstruktion für logische und strukturelle industrielle Anomalieerkennung

Die industrielle Anomalieerkennung ist entscheidend für die Qualitätskontrolle und prädiktive Wartung, stellt jedoch aufgrund begrenzter Trainingsdaten, vielfältiger Anomalietypen und externer Faktoren, die die Objektaussehen verändern, erhebliche Herausforderungen dar. Bestehende Methoden detektieren üblicherweise strukturelle Anomalien wie Beulen oder Kratzer, indem sie multiskalare Merkmale aus Bildpatches nutzen, die mittels tief vortrainierter Netzwerke extrahiert werden. Allerdings beschränken hohe Speicher- und Rechenanforderungen ihre praktische Anwendbarkeit oft erheblich. Zudem erfordert die Erkennung logischer Anomalien – beispielsweise Bilder mit fehlenden oder überzähligen Elementen – ein Verständnis räumlicher Beziehungen, das traditionelle patchbasierte Ansätze nicht erfassen können. In dieser Arbeit adressieren wir diese Limitationen, indem wir uns auf Deep Feature Reconstruction (DFR) konzentrieren, eine speicher- und rechen-effiziente Methode zur Erkennung struktureller Anomalien. Darüber hinaus erweitern wir DFR zu einem einheitlichen Framework namens ULSAD, das sowohl strukturelle als auch logische Anomalien detektieren kann. Konkret verfeinern wir das DFR-Trainingsziel, um die Leistung bei der Erkennung struktureller Anomalien zu verbessern, und führen eine auf Aufmerksamkeit basierende Verlustfunktion mittels eines globalen, ähnelnd autoencoder-artigen Netzwerks ein, um die Erkennung logischer Anomalien zu ermöglichen. Unsere empirische Evaluierung an fünf Benchmark-Datensätzen zeigt die herausragende Leistung von ULSAD bei der Detektion und Lokalisierung sowohl struktureller als auch logischer Anomalien, wobei ULSAD acht state-of-the-art-Methoden übertrifft. Eine umfassende Ablationstudie unterstreicht zudem den Beitrag jedes einzelnen Komponenten zur insgesamt verbesserten Leistung. Unser Quellcode ist unter https://github.com/sukanyapatra1997/ULSAD-2024.git verfügbar.