Überwachte gegenüber unüberwachter Prüfung: welche Ihre Linie braucht.

Was ist der Unterschied zwischen überwachter und unüberwachter Prüfung?

Überwachte Prüfung lernt aus gelabelten Beispielen beider Klassen: dieses Bild ist gut, jenes Bild ist defekt. Das Modell wird trainiert, diese Labels zu reproduzieren, sodass es nur Defekttypen erkennen kann, die ihm im Training gezeigt wurden. Unüberwachte Prüfung lernt nur aus einer Klasse, dem guten Teil, und behandelt alles, was weit genug von diesem gelernten Normalen abweicht, als Defekt, ob sie diesen Fehler zuvor gesehen hat oder nicht.

Die Unterscheidung ist nicht akademisch; sie entscheidet, wie viele Daten Sie sammeln müssen, bevor die Linie laufen kann. Überwacht braucht einen gelabelten Katalog von Defekten. Unüberwacht, auch Ein-Klassen- oder Anomalieerkennung genannt, braucht nur einen Satz guter Teile. Welche Ihre Linie braucht, läuft auf eine einfache Frage hinaus: Haben Sie tatsächlich die Defektbeispiele, die überwachtes Lernen verlangt?

Warum kosten gelabelte Defektdaten an einer realen Linie so viel?

Gelabelte Defektdaten sind teuer, weil Defekte konstruktionsbedingt selten sind. Eine Linie mit gesunder Qualität produziert sehr wenige schlechte Teile, sodass das Sammeln von Hunderten oder Tausenden gelabelter Defektbilder, genug für ein überwachtes Modell zum Generalisieren, Wochen oder Monate an Laufzeit, Sortieren und Handlabeling dauern kann. Jeder neue Defekttyp startet die Sammlung neu.

Es gibt ein zweites, strukturelles Problem: Sie können nur die Defekte labeln, die Sie bereits kennen. Ein überwachtes Modell, das auf Kratzer und Dellen trainiert wurde, hat keine Repräsentation des Kurzschusses, der Verunreinigung oder des erstmaligen Fehlers, den niemand katalogisiert hat. Tritt dieser neue Defekt auf, hat das Modell keine Klasse dafür und neigt dazu, ihn als gut durchzulassen. So kauft Ihnen die Kosten überwachter Daten die Abdeckung bekannter Fehler und lässt die unbekannten ungedeckt.

Adente Vision ist eine Edge-KI-Einheit für die visuelle Inspektion, entwickelt von ADENTE Advanced Engineering Technologies innerhalb der Aden Group und vertrieben über Automatisierungs-Systemintegratoren, und sie geht den unüberwachten Weg: Sie trainiert nur mit Gutteilen, aus rund 20 Referenzbildern, sodass eine Linie keine Defektbibliothek anhäufen muss, bevor die Prüfung beginnen kann.

Wann gewinnt unüberwachte Prüfung?

Unüberwachte Prüfung gewinnt, wann immer Defekte selten, variabel oder vorab unbekannt sind. Weil das Modell die Grenze des Normalen lernt statt einer festen Liste von Defektklassen, kennzeichnet es die Abweichung selbst, was genau das ist, was ein erstmaliger oder einmaliger Fehler ist. Den Mechanismus dahinter, wie die Abweichungsbewertung den Abstand vom Gutteil in ein Schlecht-Signal übersetzt, zeigt das Markieren eines nie gesehenen Fehlers. Das deckt die meiste Oberflächendefekt-, Verunreinigungs- und Anomaliearbeit ab, wo der Katalog möglicher Fehler offen ist und niemand ihn vorab aufzählen kann, das Nur-Gutteile-Umfeld, das öffentliche Benchmarks wie der MVTec Anomaly Detection Datensatz messen.

Sie klappt auch die Zeitachse zusammen. Das Training nur mit Gutteilen entfernt die Defektsammlungsphase vollständig, sodass die Einrichtung eine Frage des Aufnehmens von rund 20 repräsentativen Gutteil-Bildern und des Trainings des Modells ist, statt die Linie wochenlang laufen zu lassen, um schlechte Teile zu ernten. Für ein Werk, das oft die Teile wechselt oder es sich nicht leisten kann, Defekte zu horten, ist das der entscheidende Faktor.

Wann passt überwachte Klassifikation weiterhin?

Überwachte Klassifikation passt weiterhin, wenn Sie einen kleinen, geschlossenen Satz gut definierter Klassen und genug Beispiele jeder haben. Ein Teil in eine von mehreren bekannten Varianten zu sortieren, einen Defekt in benannte Schweregrade einzustufen oder einen festen Satz von Kategorien zu lesen, sind Aufgaben, bei denen die Klassen stabil und wiederholbar sind, sodass das Labeling endlich und lohnend ist. Kehrt dieselbe Handvoll Defekttypen ständig wieder und können Sie sie sammeln, kann ein überwachtes Modell sie präzise klassifizieren.

Die zwei Ansätze schließen sich nicht gegenseitig aus. Eine praktische Linie führt oft unüberwachte Anomalieerkennung aus, um alles Abnorme zu fangen, und wendet dann einen überwachten oder klassischen Schritt an, um die konkreten Fälle zu sortieren oder einzustufen, die zählen. Die Tabelle unten rahmt die Wahl nach den Daten, die Sie haben, nicht nach dem Technologie-Label.

Wie wählen Sie für Ihre Linie?

Wählen Sie nach Ihrer Datenrealität, nicht danach, welche Methode fortschrittlicher klingt. Sind Ihre Defekte selten, veränderlich oder nicht vollständig bekannt, und können Sie realistisch keine gelabelte Defektbibliothek sammeln, ist unüberwachte Prüfung die Passung: Sie startet mit rund 20 Gutteilen und fängt Abweichungen, die Sie nie katalogisiert haben. Ist Ihre Aufgabe das Sortieren eines kleinen Satzes gut definierter, wiederholbarer Klassen und können Sie Beispiele jeder sammeln, verdient überwachte Klassifikation ihren Platz.

Die meisten Linien landen bei unüberwacht als Basisschicht, weil der seltene, erstmalige Defekt der ist, der wehtut, und bei überwacht als gezielte Ergänzung, wo ein geschlossener Satz von Klassen das Labeling rechtfertigt. Für die Mechanik des Trainings aus rund 20 Gutteil-Bildern siehe den Schwester-Beitrag zur Few-Shot- und Anomalieprüfung. Für die breitere Methode siehe den Pfeiler-Leitfaden zur KI-Sichtprüfung, und um den Ansatz auf eine Einheit und Montage abzustimmen, siehe die Systemseite.