KoAnFlex
Kontextadaptive Anomalieerkennung mit Human-in-the-Loop und Few-Shot Learning für industrielle Anwendungen
| Programm / Ausschreibung | FORPA, Dissertaionen 2024, Industrienahe Dissertationen 2025 | Status | laufend |
|---|---|---|---|
| Projektstart | 01.01.2026 | Projektende | 31.12.2028 |
| Zeitraum | 2026 - 2028 | Projektlaufzeit | 36 Monate |
| Keywords | Anomalieerkennung, KI, Deep Learning, Computer Vision | ||
Projektbeschreibung
Anomalieerkennung spielt eine zentrale Rolle in zahlreichen industriellen Anwendungsfeldern, insbesondere in der Anlagenüberwachung und
Qualitätssicherung. Durch die Identifikation ungewöhnlicher Muster oder Abweichungen in Daten trägt sie wesentlich zur frühzeitigen Erkennung von
Fehlern und zur Sicherstellung der Produkt- und Prozessqualität bei. Entsprechend kommt dieser Technologie auch innerhalb der österreichischen Wirtschaft
hohe Relevanz zu.
Ziel des Projekts ist die Entwicklung eines anpassungsfähigen Anomalieerkennungsmodells für industrielle Anwendungen, das mit minimalem Aufwand erstellt
und flexibel an neue Anforderungen angepasst werden kann, ohne eine vollständige Neuentwicklung oder ein umfassendes Retraining zu erfordern.
Der methodische Fokus liegt auf der Integration dreier zentraler Konzepte:
1. Human-in-the-Loop: Einbindung menschlicher Expertise, um das Modell effizient bei der Erkennung relevanter Merkmale und deren kontextueller Bedeutung
zu unterstützen.
2. Few-Shot Learning: Entwicklung lernfähiger Modelle, die mit nur wenigen Trainingsbeispielen zuverlässig generalisieren.
3. Kontextuelle Anomalieerkennung: Berücksichtigung der semantischen und strukturellen Zusammenhänge im Bild, um Abweichungen nicht isoliert, sondern im jeweiligen Kontext korrekt zu bewerten.
Die Kombination dieser drei Ansätze verspricht eine leistungsfähige, anwendungsnahe Lösung zur flexiblen Anomalieerkennung in dynamischen industriellen Umgebungen.
Abstract
Anomaly detection plays a central role in various industrial application domains, particularly in equipment monitoring and quality assurance. By identifying
unusual patterns or deviations in data, it contributes significantly to the early detection of faults and to ensuring product and process quality. As such, this
technology holds high relevance for the Austrian economy as well.
The goal of this project is to develop an adaptable anomaly detection model for industrial applications that can be implemented with minimal effort and flexibly
adjusted to new requirements without the need for complete redevelopment or extensive retraining.
The methodological focus lies in the integration of three core concepts:
1. Human-in-the-Loop: Involving human expertise to efficiently support the model in recognizing relevant features and their contextual significance.
2. Few-Shot Learning: Enabling models to generalize reliably from only a few training examples.
3. Contextual Anomaly Detection: Taking into account semantic and structural relationships within the image to assess deviations in context rather than in
isolation.
The combination of these three approaches promises a powerful, application-oriented solution for flexible anomaly detection in dynamic industrial environments.