Predictive Convolutional Autoencoding für die Anomalieerkennung

Die automatisierte Qualitätsprüfung anhand von Bildern hat bereits eine lange Historie. Aus Sicht des maschinellen Lernens lässt sich das Problem als Klassifikationsproblem mit einer IO-Klasse und einer oder mehreren Fehlerklassen auffassen. Typischerweise gibt es bei der Qualitätsprüfung in der Produktion im Verhältnis zu den fehlerfreien Objekten nur sehr wenig fehlerhafte Objekte: Es handelt sich daher um ein Klassifikationsproblem mit selten Klassen und entsprechend einer schiefen Klassenverteilung. Zudem ist die Anzahl der Lernbeispiele im Verhältnis zum Merkmalsraum vergleichsweise klein. Die Lösung des Klassifikationsproblems mit herkömmlichen überwachten Lernverfahren ist daher problematisch.

Aus diesem Grund wird in dieser Projektstudie ein alternativer Ansatz gewählt werden: In einem ersten unüberwachten Lernschritt wird aus den fehlerfreien Objekten ein Normalitätsmodell erstellt. Dazu wird ein Convolutional Auto Encoder (CAE) verwendet. Dieser soll automatisch relevante Merkmale aus den fehlerfreien Bildern extrahieren, mit denen dann kompakte Beschreibungen der Bildes erstellen werden können (Encoding/Kompression). Anschließend wird versucht aus der komprimierten Darstellung wieder das Originalbild zu erstellen (Decoding/Dekompression). Ziel dabei (Optimierungsfunktion) ist eine möglichst gute Rekonstruktion der Bilder. Es wird angenommen, dass das Normalitätsmodell Bilder fehlerfreier Objekte besser rekonstruieren kann als Bilder fehlerhafter Objekte. Daher kann unter Berücksichtigung bekannter Fehlerfälle in einem zweiten überwachten Schritt die Klassifikation in fehlerfrei und fehlerhaft erfolgen, indem ein optimaler Schwellwert für die Güte der Bildrekonstruktion z.B. über punktweise quadratische Abweichung des Originalbilds von der Rekonstruktion (L2-Norm) bestimmt wird.