DRL-Guided Neural Batch Sampling for Semi-Supervised Pixel-Level Anomaly Detection

In den Fabriken, die alles von Leiterplatten bis hin zu Lebensmittelverpackungen herstellen, ist die Qualitätskontrolle ein unerbittliches Spiel der Suche nach dem einen Teil, das nicht dazugehört. Seit Jahrzehnten werden Maschinen darauf trainiert, diese Fehler zu erkennen, doch sie stehen vor einem grundlegenden Problem: Ihnen wird selten gezeigt, wie ein defektes Produkt aussieht. Defekte sind selten, teuer in der Herstellung und oft subtil, wie ein Haarriss auf einer polierten Oberfläche oder eine winzige Kerbe in einer Glaskomponente. Aufgrund dieser Knappheit haben Ingenieure Computern traditionell beigebracht, nur die Form eines perfekten Objekts zu erlernen. Der Computer merkt sich, wie „normal“ aussieht, und wenn er etwas sieht, das von diesem Gedächtnis abweicht, markiert er es als Defekt. Dieser Ansatz hat jedoch einen blinden Fleck. Wenn ein Computer zu perfekt lernt, wie ein normales Objekt aussieht, kann er durch die sehr kleinen, leisen Fehler verwirrt werden, die am wichtigsten sind, oder er ignoriert sie schlichtweg, weil sie nicht wie die großen, offensichtlichen Fehler aussehen, auf die er trainiert wurde.

Ein Team von Forschern der Universität Teheran hat einen neuen Weg vorgeschlagen, um dieses Rätsel zu lösen – einen Weg, der über das bloße Auswendiglernen von Perfektion hinausgeht. Anstatt sich auf ein statisches Gedächtnis dessen zu verlassen, was normal ist, haben sie ein System geschaffen, das aktiv lernt, nach Ärger zu suchen. Ihre Methode, die in einer kürzlich veröffentlichten Studie detailliert beschrieben wird, kombiniert drei verschiedene Werkzeuge zu einer einzigen, selbstverbessernden Schleife. Erstens bewegt sich ein digitaler „Späher“ über ein Bild und entscheidet, welche kleinen Abschnitte einer genaueren Betrachtung wert sind. Zweitens versucht eine Rekonstruktions-Engine, diese Abschnitte aus dem Gedächtnis wieder aufzubauen, wobei sie hervorhebt, wo das Gedächtnis nicht mit der Realität übereinstimmt. Drittens lernt ein Klassifizierer, diese Fehler zu lesen und eine präzise Karte des Defekts zu zeichnen. Indem sie diese drei Teile miteinander kommunizieren lassen, lernt das System, subtile Anomalien mit einer Genauigkeit zu finden, an der bisherige Methoden gescheitert sind, und das alles unter Verwendung von nur einer Handvoll bekannter defekter Beispiele zur Steuerung des Prozesses.

Der Kern dieses neuen Frameworks ist ein digitaler Agent, der wie ein neugieriger Inspektor agiert. In traditionellen Systemen scannt ein Computer vielleicht ein ganzes Bild auf einmal oder betrachtet zufällige Ausschnitte ohne Plan. Dieser neue Agent nutzt jedoch eine Technik namens Reinforcement Learning (bestärkendes Lernen), was im Wesentlichen ein durch Belohnungen gesteuerter Trial-and-Error-Lernprozess ist. Stellen Sie sich eine Person vor, die durch ein großes Lagerhaus geht, um nach einer bestimmten Art von Beschädigung zu suchen; sie läuft nicht in einer geraden Linie oder prüft jedes einzelne Paket wahllos. Stattdessen sucht sie nach Hinweisen, entscheidet, welcher Bereich am verdächtigsten erscheint, und lenkt dann ihre Aufmerksamkeit dorthin. Dieser digitale Agent tut dasselbe. Er betrachtet ein Bild und entscheidet, welches kleine Quadrat er als Nächstes untersuchen soll, basierend auf dem, was er bisher gelernt hat. Wenn er eine Stelle wählt, die dem System hilft, den Unterschied zwischen einem guten Teil und einem schlechten zu verstehen, erhält er eine Belohnung. Wenn er eine Stelle wählt, die keine neuen Informationen liefert, lernt er, diesen Bereich in Zukunft zu meiden. Dies ermöglicht es dem System, seine Energie auf die informativsten Teile des Bildes zu konzentrieren, anstatt Zeit in Bereichen zu verschwenden, die eindeutig perfekt sind.

Sobald der Agent ein Patch (einen Bildausschnitt) ausgewählt hat, wird dieser an eine Rekonstruktions-Engine weitergeleitet, die eine Art neuronales Netzwerk ist, das darauf spezialisiert ist, Bilder wieder aufzubauen. Diese Engine wurde intensiv mit perfekten, fehlerfreien Proben trainiert. Wenn sie ein Patch aus einem guten Teil des Produkts erhält, kann sie dieses fast perfekt rekonstruieren. Aber wenn sie ein Patch erhält, das einen Kratzer oder eine Kerbe enthält, hat sie Schwierigkeiten. Da sie diesen spezifischen Fehler während ihres Trainings nie gesehen hat, kann sie ihn nicht akkurat rekonstruieren. Die Differenz zwischen dem, was die Engine sieht, und dem, was sie rekonstruiert, erzeugt ein „Loss Profile“ (Fehlerprofil) – eine Karte der Fehler, die dort hell aufleuchtet, wo der Defekt verborgen ist. Diese Karte ist der Schlüssel zum Erfolg des Systems. Anstatt zu versuchen, den Defekt direkt aus dem Rohbild zu erraten, analysiert das System diese Rekonstruktionsfehler-Karte, die selbst die kleinsten Mängel viel deutlicher sichtbar macht.

Das letzte Puzzleteil ist ein Prädiktor, ein spezialisiertes Netzwerk, das diese Fehlerkarten nimmt und sie in eine klare, binäre Entscheidung verwandelt: Dieser Pixel ist gut oder dieser Pixel ist schlecht. Was den Ansatz der Forscher einzigartig macht, ist die Art und Weise, wie diese drei Komponenten – der Späher, die Engine und der Prädiktor – gemeinsam lernen. In vielen früheren Versuchen ähnlicher Systeme wurden die Teile separat trainiert oder verließen sich auf starre Regeln, die ihre Anpassungsfähigkeit einschränkten. Hier nutzt das System einen semi-überwachten Ansatz, was bedeutet, dass es aus einem großen Pool an normalen Daten und einem sehr kleinen Satz an gelabelten defekten Daten lernt. Die Forscher fanden heraus, dass das System stabiler wurde und besser auf neue Arten von Defekten generalisieren konnte, indem sie bestimmte komplexe Mechanismen entfernten, die in früheren Versionen verwendet wurden, und die Art und Weise vereinfachten, wie der Prädiktor lernt. Der Agent lernt, zwei konkurrierende Bedürfnisse auszubalancieren: neue Bereiche des Bildes zu explorieren, um unbekannte Problemstellen zu finden, und die Bereiche zu exploiteren (auszunutzen), von denen er bereits weiß, dass sie verdächtig sind, um die Detektion zu verfeinern.

Die Ergebnisse dieses Ansatzes wurden an einer weit verbreiteten Sammlung industrieller Bilder getestet, bekannt als MVTec AD Datensatz, der hochauflösende Fotos verschiedener Objekte und Texturen enthält, von Kabeln und Zahnbürsten bis hin zu Pillen und Holzbrettern. Die Forscher verglichen ihre Methode mit mehreren führenden Techniken, einschließlich Standard-Deep-Learning-Modellen und anderen fortgeschrittenen Rekonstruktions-basierten Systemen. Das neue Framework übertraf diese Konkurrenten konsequent. Im Durchschnitt verbesserte es die Fähigkeit, Defekte korrekt zu identifizieren und zu lokalisieren, um eine signifikante Marge. In den anspruchsvollsten Fällen, in denen die Defekte extrem subtil waren, zeigte die neue Methode eine dramatische Verbesserung, erreichte höhere Genauigkeitswerte als andere Systeme und detektierte Fehler, bei denen es vorangegangenen Methoden schwerfiel, sie effektiv zu lokalisieren. Beispielsweise sprang die Genauigkeit des Systems bei Tests mit Transistoren und Zahnbürsten weit über die bisher besten Ergebnisse hinaus, was bewies, dass die adaptive Sampling-Strategie effektiv die richtigen Bereiche anvisierte.

Über das bloße Finden der Defekte hinaus zeichnete sich das System auch dadurch aus, exakt zu bestimmen, wo sie sich befanden. In industriellen Umgebungen reicht es nicht aus zu wissen, dass ein Produkt fehlerhaft ist; die Maschine muss genau wissen, welcher Teil der Oberfläche beschädigt ist, damit dieser repariert oder entsorgt werden kann. Die Forscher demonstrierten, dass ihre Methode sauberere, präzisere Karten des Schadens erzeugte. Die visuellen Ergebnisse zeigten scharfe Grenzen um Kratzer und klare Definitionen fehlender Teile, selbst in komplexen Texturen wie Holzmaserung oder Metallgittern. Diese Präzision ist entscheidend, da sie die Anzahl der Fehlalarme reduziert, bei denen ein perfektes Teil fälschlicherweise abgelehnt wird, und sicherstellt, dass echte Defekte nicht übersehen werden. Das System erreichte diese hohe Leistungsfähigkeit, ohne riesige Mengen an gelabelten defekten Daten zu benötigen, was oft der größte Engpass in der industriellen Automatisierung ist.

Die Studie hob auch die Bedeutung der Art und Weise hervor, wie das System trainiert wurde. Die Forscher fanden heraus, dass der gesamte Prozess instabil werden konnte, wenn die verschiedenen Teile des Systems nicht in der richtigen Reihenfolge einander vorgestellt wurden. Sie entwickelten einen spezifischen Trainingsplan, bei dem die Rekonstruktions-Engine zuerst lernte, gefolgt vom Prädiktor und schließlich dem Agenten, der die Patches auswählt. Dieser schrittweise Ansatz ermöglichte es jeder Komponente, sich zu stabilisieren, bevor sie die zusätzliche Komplexität der anderen übernahm. Am Ende des Trainings hatte das System eine ausgeklügelte Strategie für das Scannen von Bildern erlernt – eine Strategie, die weitaus effizienter und effektiver war als das bloße Scannen von allem oder das Vertrauen auf zufällige Vermutungen. Die Forscher merkten an, dass das System zwar komplexer einzurichten ist als ein einfacher Scanner, der Gegenwert jedoch ein wesentlich robusterer und zuverlässigerer Detektor ist, der die subtilen, realen Variationen in tatsächlichen Fabriken bewältigen kann.

Diese Arbeit stellt eine Verschiebung in der Art und Weise dar, wie Maschinen das Sehen lernen. Anstatt zu versuchen, einen Computer dazu zu zwingen, jede mögliche Art und Weise auswendig zu lernen, wie ein Produkt kaputtgehen kann, haben die Forscher ihm beigebracht, neugierig zu sein. Indem sie dem System die Fähigkeit gaben, selbst zu entscheiden, was es betrachtet und wie es aus seinen Fehlern lernt, haben sie ein Werkzeug geschaffen, das sowohl leistungsstark als auch anpassungsfähig ist. Die Ergebnisse legen nahe, dass die Zukunft der Qualitätskontrolle nicht in größeren Datenbanken defekter Teile liegen könnte, sondern in intelligenteren Algorithmen, die wissen, wie man die Nadel im Heuhaufen findet, indem man lernt, an den richtigen Stellen zu suchen. Der Erfolg dieser Methode auf einem vielfältigen Satz industrieller Bilder deutet darauf hin, dass sie ein wertvolles Werkzeug für Hersteller sein könnte, die ihre Inspektionsprozesse verbessern wollen, ohne die prohibitiven Kosten für das Sammeln von tausenden defekten Stichproben zu tragen.