Industrielle Anomalieerkennung in Bildern basierend auf einem multi-Gaussian-Diskriminantenmodell und einem robusten Kernset

Zusammenfassung Um das Problem der falsch positiven (FP) Erkennungen in der Anomalieerkennung von Bildern, verursacht durch den Verlust von niederfrequenten Merkmalen bei der Verarbeitung hochdimensionaler Merkmalsverteilungen, anzugehen, schlagen wir das multi-layer Gaussian discriminant anomaly detection model (MGAD) vor. Dieses Modell nutzt Distanzmetriken basierend auf mehreren Normalverteilungen zur Durchführung der Anomalieerkennung. Durch das Abgraben von mehrschichtigen Merkmalskombinationen aus normalen Proben und die Einbeziehung einer Strategie des Gaussian mixture models zur schrittweisen Schätzung der Wahrscheinlichkeitsdichte auf Pixelbasis wird ein Gewichtungsmechanismus entwickelt, um die Rolle niederfrequenter Merkmale im Gaussian-Raum zu betonen. Dieser Ansatz modelliert effektiv Datensammlungen, die keiner einzelnen Normalverteilung folgen, als Mischung mehrerer Gaussian-Verteilungen, wodurch falsche Erkennungen reduziert werden. Darüber hinaus schlagen wir eine Methode zur Berechnung der minimalen Mahalanobis-Distanz basierend auf der Schätzung des minimalen Kovarianzdeterminanten vor. Durch die Identifizierung einer Teilmenge mit dem kleinsten Kovarianzmatrix-Determinanten erhöht diese Methode die robuste Schätzung der zentralen Position und Streuung der Daten, wodurch die Auswirkungen von Ausreißern verringert werden. Im MVTec-AD-Datensatz zeigt MGAD eine herausragende Leistung mit einer Anomalieerkennungsfläche unter der Empfängerbetriebskurve (AUROC) von 98,8 %, der Anomalie-Lokalisierungs-AUROC von 98,2 % und der wahr negativen Rate pro Klasse für normale Proben von 93,1 %. Im Vergleich zu den neuesten Modellen verbessert MGAD die Erkennungsgenauigkeit für normale Proben um 3,6 % und zeigt die beste Leistung unter allen Modellen. Diese Ergebnisse unterstreichen die ausgezeichnete Fähigkeit des Modells zur Anomalieerkennung und zur Reduzierung von FPs.