Die industrielle Anomalieerkennung ist wichtig für die intelligente Fertigung, da Mängel die Produktzuverlässigkeit beeinträchtigen können. Bestehende Methoden, die auf Wissensdistillation basieren, verwenden typischerweise einen einzigen Lehrer, was die Vielfalt der Merkmale und die Robustheit einschränkt. Multi-Lehrer-Methoden erfordern oft eine explizite Ausrichtung von Merkmalen zwischen verschiedenen Netzwerkarchitekturen, was semantische Konflikte verursachen und die Anomalieerkennung schwächen kann. Wir schlagen eine implizite Multi-Lehrer-Distillation (IMTD) für die industrielle Anomalieerkennung vor. IMTD nutzt drei komplementäre Lehrernetzwerke, nämlich ResNet18, ResNet34 und Wide-ResNet50, um texturale, strukturelle und semantische Darstellungen aus verschiedenen Merkmalsräumen zu erfassen. Jeder Lehrer ist mit einem unabhängigen Decoder gekoppelt, der nur auf normalen Proben trainiert wird, wodurch ein impliziter Wissenstransfer ohne Merkmalalignment zwischen Architekturen ermöglicht wird. Ein falsch-negativ-bewusstes Maximale-Response-Aggregation-Modul (FN-MRA) wird ebenfalls eingeführt, um die stärksten Beweise für Anomalien während der Fusion zu bewahren. Experimente zur Anomalieerkennung mit MVTec AD, dem visuellen Anomalie-Benchmark (VisA) und dem Metallteil-Fehlerdatensatz (MPDD) zeigen, dass IMTD konsistent die neuesten Methoden sowohl bei der Bild- als auch bei der Pixel-Level-Anomalieerkennung übertrifft. Die Ergebnisse zeigen die Effektivität der Kombination komplementärer Lehrer, impliziter Rekonstruktion und maximaler Response-Aggregation unter Bedingungen mit wenigen Anomalien.

Industrielle Anomalieerkennung; Wissensdistillation; Multi-Lehrer-Ensemble; Implizite Rekonstruktion; Falsch-negativ-bewusste maximale Response-Aggregation (FN-MRA)