Erkennung von Anomalien

Anomalie-Erkennung vs. Objekt-Erkennung

Es ist wichtig, die Erkennung von Anomalien von der Erkennung von Objekten zu unterscheiden.

• Objekt-Erkennung: Diese Aufgabe konzentriert sich auf die Identifizierung und Lokalisierung von Instanzen bekannter Objektklassen in einem Bild. So wird beispielsweise ein Objekterkennungsmodell darauf trainiert, alle Autos, Fußgänger und Verkehrsschilder in einem Straßenansichtsbild zu finden. Das Modell weiß anhand der vordefinierten Kategorien in den Trainingsdaten, wonach es suchen muss.
• Erkennung von Anomalien: Bei dieser Aufgabe geht es darum, alles zu erkennen, was von einer gelernten Definition von "normal" abweicht. In vielen Fällen weiß das System im Vorfeld nicht, wie die Anomalie aussehen wird. Es könnte zum Beispiel auf Tausende von Bildern makelloser Produkte trainiert werden und die Aufgabe haben, jede Unregelmäßigkeit zu erkennen, sei es ein Kratzer, eine Delle oder eine Verfärbung - Arten von Defekten, die es vielleicht noch nie gesehen hat.

Ein Modell wie Ultralytics YOLO kann zwar kundenspezifisch trainiert werden, um eine Version der Anomalieerkennung durchzuführen, indem bestimmte Defekte als Objekte behandelt werden, aber die grundlegenden Ansätze unterscheiden sich. Die herkömmliche Objekterkennung erfordert Beispiele für jede Klasse, die gefunden werden muss, während viele Methoden zur Erkennung von Anomalien nur Daten benötigen, die einen normalen Zustand darstellen.

Methoden der Anomalie-Erkennung

Techniken zur Erkennung von Anomalien können auf der Grundlage der Verfügbarkeit von Kennzeichnungen im Datensatz grob kategorisiert werden:

• Überwachtes Lernen: Diese Methode erfordert einen Datensatz, der sowohl mit "normalen" als auch mit "anomalen" Beispielen versehen ist. Ein Klassifizierungsmodell wird trainiert, um zwischen den beiden zu unterscheiden. Dieser Ansatz ist sehr effektiv, wird aber durch die Notwendigkeit eines großen und gut beschrifteten Datensatzes eingeschränkt, der schwer zu beschaffen sein kann, da Anomalien per Definition selten sind.
• Semi-überwachtes Lernen: Dies ist der häufigste Ansatz, bei dem das Modell nur auf einem Datensatz mit normalen Beispielen trainiert wird. Das System lernt die normalen Muster und kennzeichnet jeden Datenpunkt, der von diesem gelernten Modell abweicht, als Anomalie. Dies ist sehr praktisch für Szenarien, in denen Anomalien vielfältig und unvorhersehbar sind.
• Unüberwachtes Lernen: Diese Methode arbeitet ohne Kennzeichnungen. Sie geht von der Annahme aus, dass Anomalien nur wenige sind und sich von den normalen Datenpunkten unterscheiden. Algorithmen wie Clustering (z. B. DBSCAN) oder statistische Methoden werden verwendet, um Datenpunkte zu gruppieren, wobei isolierte Punkte oder kleine Cluster als Anomalien identifiziert werden. Einen umfassenden Überblick über die verschiedenen Methoden bieten akademische Studien zu diesem Thema, wie z. B."Deep Learning for Anomaly Detection: A Survey".

Anwendungen in der realen Welt

Die Erkennung von Anomalien ist ein Eckpfeiler vieler intelligenter Systeme und liefert branchenübergreifend wichtige Erkenntnisse.

1. Qualitätskontrolle in der Fertigung: An einem Fließband können Computer Vision Systeme Produkte in Echtzeit überwachen. Ein Modell, das auf Bildern perfekter Artikel trainiert wurde, kann Mängel wie Risse, Fehlausrichtungen oder fehlende Komponenten sofort erkennen. Diese automatisierte Inspektion, die häufig im Rahmen der intelligenten Fertigung erforscht wird, verbessert die Qualität und reduziert den Ausschuss weitaus effizienter als manuelle Kontrollen.
2. Sicherheit und Überwachung: In öffentlichen Räumen oder sicheren Einrichtungen können KI-gestützte Überwachungssysteme anormale Ereignisse erkennen. Beispiele hierfür sind die Identifizierung eines Fahrzeugs, das gegen den Verkehr fährt, die Erkennung einer herrenlosen Tasche auf einem Flughafen oder das Erkennen von unbefugtem Zutritt zu einem Sperrgebiet. Diese Systeme können das Sicherheitspersonal in Echtzeit warnen.
3. AI im Gesundheitswesen: Die Erkennung von Anomalien hilft bei der medizinischen Bildanalyse, indem sie potenziell krebsartige Zellen in Scans hervorhebt oder unregelmäßige Herzschläge aus EKG-Daten identifiziert.
4. Erkennung von Finanzbetrug: Banken und Finanzinstitute nutzen die Anomalieerkennung, um Transaktionsströme zu überwachen und Muster zu erkennen, die auf betrügerische Aktivitäten hinweisen, wie sie in öffentlichen Datensätzen wie dem Credit Card Fraud Detection Dataset auf Kaggle zu finden sind.
5. Cybersicherheit: Der Netzwerkverkehr wird überwacht, um ungewöhnliche Muster zu erkennen, die auf einen Cyberangriff oder eine Datenverletzung hindeuten könnten. Organisationen wie die Cybersecurity and Infrastructure Security Agency (CISA ) betonen solche proaktiven Maßnahmen.

Werkzeuge und Technologien

Die Entwicklung robuster Systeme zur Erkennung von Anomalien erfordert häufig eine Kombination aus Standard-ML-Bibliotheken und speziellen Plattformen.

• Frameworks: PyTorch und TensorFlow bieten die grundlegenden Werkzeuge für die Erstellung und das Training benutzerdefinierter Deep-Learning-Modelle.
• Bibliotheken: Für Nicht-Vision-Aufgaben bieten Bibliotheken wie Scikit-learn ein spezielles Modul zur Erkennung von Ausreißern und Anomalien mit verschiedenen Algorithmen.
• Plattformen: Ultralytics HUB bietet eine integrierte Umgebung, die den gesamten Lebenszyklus des Modells rationalisiert, vom Cloud-basierten Training bis hin zu verschiedenen Optionen für die Modellbereitstellung, was die Entwicklung von Vision AI-Anwendungen vereinfacht.