Ein klassischer Klassifikator arbeitet mit einem festen Satz an Klassen, die während des Trainings definiert wurden. In der Anwendung ordnet das Modell jede neue Eingabe definitionsgemäß einer dieser Klassen zu. Auch wenn ein Objekt nicht Teil der Trainingsdaten war, wird eine der bekannten Klassen vorgeschlagen. Da ein Klassifikator seine Konfidenz nur anhand der bekannten Klassen bestimmt und keine explizite Unbekannt-Klasse kennt, können auch vollkommen unbekannte Eingaben mit hoher Sicherheit einer Klasse zugeordnet werden. Hier setzt Out-of-Distribution Detection (OOD) an, indem es die konventionelle Klassifikation um einen zusätzlichen numerischen Wert erweitert, den OOD-Score. Dieser beschreibt, wie stark sich die jeweilige Eingabe von der gelernten Verteilung unterscheidet. Ein hoher OOD-Score weist auf eine deutliche Abweichung hin. Auf diese Weise bietet die Methode die Möglichkeit, auf Situationen zu reagieren, in denen keine verlässliche Zuordnung möglich ist. Der kombinierte Ansatz aus Klassifikation und OOD-Score unterstützt stabile und effiziente Produktionsprozesse. In der Praxis können z.B. neue Fehlerbilder erkannt werden, die während des ursprünglichen Trainings nicht berücksichtigt wurden – schlicht und einfach deshalb, weil vor Produktionsbeginn häufig noch nicht klar sein kann, welche Defekte wie auftreten können. Besonders in Anwendungen mit hohen Sicherheitsanforderungen (z.B. in der pharmazeutischen Produktion) schafft der OOD-Score zusätzliche Sicherheit. Gleichzeitig entsteht eine Basis für flexible Inspektionssysteme, die mit variantenreichen Produkten und wechselnden Rahmenbedingungen umgehen können. Das Gesamtsystem gewinnt an Zuverlässigkeit, da potenziell fehlerhafte Fälle automatisch markiert werden und nicht unbemerkt in den regulären Prozess gelangen.
Zusammenspiel mit Continual Learning
OOD kann bei Halcon mit Continual Learn-ing verknüpft werden. Bilder, die durch hohe OOD-Scores auffallen, können gezielt gesammelt und in einem nachgelagerten Schritt zur Erweiterung des Modells genutzt werden, ohne dass ein komplettes Retraining des Modells erforderlich ist. OOD dient dabei als Filtermechanismus für neuartige, relevante Beispiele, während Continual Learning diese Beispiele systematisch in das Modell überführt. So entsteht ein fortlaufender Verbesserungsprozess, durch den Deep-Learning-Systeme über ihren Einsatzzeitraum hinweg an neue Produktionsbedingungen angepasst werden können.
www.mvtec.de
