Zur automatischen visuellen Inspektion: Ein schwach überwachter Lernansatz für industriell anwendbare Objektdetektion

Industrielle visuelle Inspektion ist ein wesentlicher Bestandteil moderner Industrieprozesse zur Wartung und Prüfung von Anlagen. Mit den jüngsten Fortschritten im Bereich des Deep Learning wurden fortschrittliche Objektdetektoren für intelligente industrielle Anwendungen entwickelt. Allerdings sind Deep-Learning-Verfahren bekanntermaßen datenintensiv: Die Erhebung und Annotation von Daten ist arbeitsaufwendig und zeitaufwendig. Insbesondere ist die Sammlung öffentlich zugänglicher Datensätze in industriellen Anwendungsszenarien aufgrund der inhärenten Vielfalt und Datenschutzbedenken oft unpraktisch. In diesem Artikel untersuchen wir die Automatisierung der industriellen visuellen Inspektion und stellen einen Segmentierungs-Aggregations-Framework vor, um Objektdetektoren aus schwach annotierten visuellen Daten zu lernen. Die minimal erforderliche Annotation besteht lediglich aus Bild-Level-Kategorielabels ohne Bounding Boxes. Die Methode wird anhand von selbst gesammelten Isolator-Bildern sowie an öffentlichen PASCAL VOC-Benchmarks implementiert und evaluiert, um ihre Wirksamkeit zu bestätigen. Die Experimente zeigen, dass unsere Modelle eine hohe Detektionsgenauigkeit erzielen und in der Industrie zur automatisierten visuellen Inspektion mit minimalen Anforderungen an die Annotation eingesetzt werden können.