Detekcija napak oziroma anomalij na površini izdelkov je ključna za zagotavljanje kakovosti in varnosti izdelkov. Vendar pa je učenje računalniških modelov za odkrivanje takšnih napak pogosto oteženo, saj v realnih proizvodnih okoljih primanjkuje dovolj primerov z napakami. Zaradi tega se v praksi vse pogosteje uporabljajo nenadzorovane metode učenja, ki ne potrebujejo označenih primerov anomalij, temveč model zgradijo samo na osnovi slik brez napak. Te metode temeljijo na predpostavki, da učne slike upodabljajo le brezhibne izdelke.

Vendar ta predpostavka v resničnem industrijskem okolju pogosto ne drži – v učnih podatkih se lahko nehote znajdejo tudi anomalije. Zato postaja ključno vprašanje, kako zanesljivo te metode delujejo v takšnih razmerah.

To problematiko so podrobneje obravnavali raziskovalci Matic Fučka, Vitjan Zavrtanik, Jakob Božič in prof. dr. Danijel Skočaj v članku Robustness of Unsupervised Methods for Image Surface-Anomaly Detection, objavljenem v znanstveni reviji Pattern Analysis and Applications.

V svoji raziskavi so preučili, kako dobro delujejo različne metode nenadzorovanega učenja za detekcijo površinskih napak, ko učni podatki niso povsem čisti – torej vključujejo tudi neoznačene napake. Predstavili so nov pristop za merjenje robustnosti teh metod in izvedli obsežno primerjalno analizo sedmih uveljavljenih pristopov na štirih različnih podatkovnih množicah. Rezultati so pokazali, da so nekatere metode presenetljivo odporne tudi na prisotnost nepravilnosti v učnih podatkih, kar odpira pomembne možnosti za njihovo uporabo v realnih industrijskih okoljih, kjer idealni pogoji niso vedno zagotovljeni.

Sl.1 Primeri slik površin izdelkov iz štirih podatkovnih množic z označenimi napakami.

Sl.2 Prikaz obravnavanega problema: Nenadzorovane metode za detekcijo anomalij običajno predpostavljajo, da je učna množica uspešno filtrirana, da torej vsebuje le slike z normalnim izgledom (zeleni okvirji) in da so vse slike z napakami (rdeči okvirji) odstranjene. Analiza v članku se ukvarja s scenarijem, ko ta predpostavka ne drži.

Celoten članek si lahko preberete na povezavi: Božič, J., Fučka, M., Zavrtanik, V. et al. Robustness of unsupervised methods for image surface-anomaly detection. Pattern Anal Applic 28, 99 (2025).