Khan, Muhammad Nouman: Deep learning based anomaly detection for visual inspection on the industrial dataset

Abstract in German:

Die Erkennung von Anomalien in visuellen Inspektionssystemen ist entscheidend um die Qualitätskontrolle und Sicherheit in verschiedenen Industriezweigen zu gewährleisten. Deep Learning basierende Techniken haben vielversprechende Ergebnisse bei der Erkennung anomaler Daten in industriellen Datensäetzen geliefert. In dieser Masterarbeit haben wir einen neuartigen Ansatz untersucht, der auf unüberwachtem Lernen basiert unter Verwendung von Convolutional Autoencodern. Das Ziel war die Erkennung von Anomalien im Montageprozess der Fertigungshalle. Zusäetzliche wurde Yolov5 verwendet um die Kameraaufnahmen füer eine bessere Anomalierkennung aufzubereiten. Die vorliegende Arbeit untersucht die Durchführbarkeit von unüeberwachtem Lernen auf dem industriellen Datensatz und vergleicht ihn mit überwachten Lerntechniken, die an gelabelte, beschriftete Daten gebunden sind und somit erhebliche Kosten verursachen. Die bearbeiteten Forschungsfragen lauteten: (1) Können Convolutional Autoencoder effektiv Anomalien erkennen, (2) was sind die zugrunde liegenden Mechanismen, die unüeberwachte Lerntechniken effektiver bei der Erkennung von Anomalien machen als üeberberwachte Lerntechniken (3) Was sind die möglichen Grenzen und Weiterentwicklungsmöglichkeiten des vorgeschlagenen Ansatzes ? Die Ergebnisse der Arbeit zeigen, dass die Verwendung von Convolutional Autoencoder für die Erkennung von Anomalien eine wirksame Strategie für die visuelle Inspektion ist. Die Überlegenheit des unüberwachten Lernens bei der Erkennung von Anomalien ist auf seine Fähigkeit zurückzuführen, die Struktur und Muster der Daten zu erfassen und auf neue Instanzen von anomalem Daten zu reagieren. Der vorgeschlagene Ansatz erzielte eine hohe Präzision, Recall und F1-Score. Die Einschränkungen und potenziellen Bereiche für Verbesserungsmöglichkeiten liegen in der weiteren Optimierung und Validierung mit größeren Datenmengen. Insgesamt hat der Ansatz ein enormes Potenzial zur Verbesserung bestehender Verfahren der Anomalieerkennung in visuellen Inspektionssystemen.