Mit DarkAD stellen Forschende vom Shibaura Institute of Technology in Japan und der FPT University in Vietnam eine Lösung für die Defekterkennung auf Oberflächen in schlecht beleuchteten Industrieumgebungen vor.
Forschende haben ein bildbasiertes Framework zur Anomalieerkennung entwickelt, das die Erkennung subtiler Fehler in industriellen Umgebungen mit schlechten Lichtverhältnissen verbessern kann.
Dr. Phan Xuan Tan from Shibaura Institute of Technology
Qualitätskontrolle ist ein zentraler Bestandteil industrieller Prozesse. Eine Schlüsselrolle dabei spielt die Anomalieerkennung (Anomaly Detection, AD), da sie Abweichungen und Defekte frühzeitig identifiziert. Angesichts verschärfter Industriestandards und steigender Produktionsmengen wächst der Bedarf an automatisierten, robusten und effizienten AD-Systemen.
Traditionelle Methoden stoßen jedoch an ihre Grenzen – insbesondere in dunklen oder ungleichmäßig beleuchteten Industrieumgebungen. Klassische Bildverbesserungen führen oft zu Artefakten oder verstärken Bildrauschen, was die Erkennung subtiler Defekte erschwert. Zudem benötigen Deep-Learning-basierte AD-Systeme häufig hohe Rechenleistungen, was ihre praktische Anwendung einschränkt.
Um diese Herausforderungen zu überwinden, haben Dr. Phan Xuan Tan von der Shibaura Institute of Technology in Japan und Dr. Dinh-Cuong Hoang von der FPT University in Vietnam das System "DarkAD" entwickelt. Dabei handelt es sich um ein durchgängiges Framework zur Verbesserung der Anomalieerkennung in dunklen Industrieumgebungen. Zentrales Element ist der "Dark-Aware Feature Adapter" (DAFA), der Rauschunterdrückung und Bildverarbeitung bei schwachem Licht integriert.
"Im Gegensatz zu bestehenden Ansätzen, die auf aufwändige Bildverbesserung setzen, nutzt DarkAD spezielle Feature-Enhancement-Module", erklärt Dr. Tan. "Diese verbessern die Merkmalserfassung direkt auf der Frequenz- und Beleuchtungsebene, was eine schnellere und genauere Anomalieerkennung in Echtzeit ermöglicht."
Frequenz- und Beleuchtungsanpassung
Bisherige AD-Methoden beruhen häufig auf Rekonstruktions- oder Feature-Embedding-Techniken, bei denen vortrainierte Modelle zum Einsatz kommen. Andere Ansätze erzeugen synthetische Anomalien, um Trainingsdatensätze zu erweitern. Diese Verfahren stoßen jedoch oft auf Speicherprobleme, semantische Inkonsistenzen und eingeschränkte Genauigkeit bei der Nachbildung realer Defekte.
DarkAD verfolgt einen hybriden Ansatz. Das Modul Frequency-Based Feature Enhancement stärkt dabei niederfrequente Strukturen im Bild und reduziert gleichzeitig hochfrequentes Rauschen – ein entscheidender Vorteil bei Aufnahmen unter schlechten Lichtverhältnissen. Ergänzend schätzt das Modul Illumination-Aware Feature Enhancement die Lichtverteilung im Bild und verstärkt gezielt schlecht beleuchtete Bereiche. Das Modell benötigt keine Vorverarbeitung der Eingabebilder. Stattdessen passt es sich an verschiedene Beleuchtungssituationen an und verbessert so die Erkennungsgenauigkeit.
Parallel zur Modellentwicklung erstellten die Forschenden einen neuen Trainingsdatensatz mit Bildern industrieller Objekte unterschiedlicher Formen, Farben, Größen und Materialien – aufgenommen bei schlechten Lichtverhältnissen. Sowohl fehlerfreie als auch beschädigte Objekte, etwa mit Kratzern, Dellen, Verfärbungen oder fehlenden Bauteilen, wurden einbezogen.
Überlegenheit gegenüber bestehenden Verfahren
In Tests übertraf DarkAD die Leistung des ebenfalls hybriden SimpleNet-Modells, insbesondere bei der Erkennung feiner Anomalien auf komplex strukturierten Oberflächen unter schwierigen Lichtbedingungen. Das System erzielte zudem höhere Detektionsgeschwindigkeiten, eine bessere Konsistenz und eine präzisere Lokalisierung von Defekten im Vergleich zu anderen aktuellen Methoden.
DarkAD bietet damit laut den Forschenden eine skalierbare, adaptive und hochperformante Lösung für die industrielle Qualitätskontrolle. Seine Fähigkeit, Anomalien verschiedenster Art unter variierenden Bedingungen zuverlässig zu erkennen, mache es zu einem vielseitigen Werkzeug für automatisierte Produktionslinien, Infrastrukturüberwachung sowie zur Früherkennung von Geräteausfällen und industriellen Gefahren.
"DarkAD kann unter anderem bei der Qualitätskontrolle von Automobilteilen wie Kupplungen und Reifen, von Industriekomponenten wie Kabelverschraubungen und Isolatoren sowie in der Textilindustrie eingesetzt werden – selbst bei schlechten Lichtverhältnissen", erläutert Dr. Tan. Zudem eigne sich das Modell für die automatisierte Überwachung rund um die Uhr in Fabriken, Lagerhäusern, Hochrisikoumgebungen wie Stromnetzen oder komplexen Unterwasseranlagen. Dadurch verringere sich die Abhängigkeit von menschlichen Inspektoren erheblich.
