Industrielle Abweichungen sind auch Fehlteile, Montagefehler, falsche Beziehungen und Inhalte – nicht nur Kratzer und Farbwechsel.

Mehr als Unterschiede: den Standard verstehen

Klassische visuelle Anomalieerkennung findet Bereiche, die von Normalreferenzen abweichen. Viele reale Fehler sind jedoch relational: Eine Schraube kann an einer Stelle korrekt und an einer anderen falsch sein. Multimodale Systeme verbinden Bild, Textstandard, Referenz und Objektkontext.

Position, Regeln und Erklärung trennen

Ein allgemeines Modell allein ist kein verlässlicher Prüfer. Kleine Fehler, pixelgenaue Lokalisierung und unbekannte Objekte bleiben schwierig. Ein praktischer Ansatz trennt visuelle Lokalisierung, Regelprüfung und strukturierte Ausgabe und lässt Fachleute den Standard bestätigen.

Vor Ort statt mit fremden Kennzahlen validieren

Licht, Winkel, Auflösung, Fehlergröße und normale Streuung verändern die Leistung. Entscheidend ist, ob Belege prüfbar sind, Ergebnisse zu Standards passen und Unsicherheit zu Menschen gelangt.

Wissenschaftliche Quellen

AnomalyGPT: Detecting Industrial Anomalies Using Large Vision-Language ModelsAAAI 2024 / arXiv
Verbindet große Vision-Language-Modelle mit industrieller Anomalielokalisierung und Dialog.
Towards Zero-Shot Anomaly Detection and Reasoning with Multimodal Large Language ModelsarXiv
Untersucht Zero-Shot-Anomalieerkennung und Grenzen allgemeiner multimodaler Modelle.