Anomaly detection in uncontrolled industrial environments with data preprocessing

Boljević, Luka (author), Skočaj, Danijel (mentor)

Anomaly detection in industrial applications is commonly evaluated on standard benchmark datasets such as MVTec AD and VisA, whose data were captured under controlled conditions. Performance on these benchmarks does not necessarily transfer to real-world environments. In uncontrolled industrial settings, images often contain multiple objects, varying backgrounds, and inconsistent orientations, which significantly complicates anomaly detection. This thesis addresses these challenges by proposing a three-stage anomaly detection pipeline designed to reduce environmental effects prior to anomaly detection. The pipeline consists of object detection, canonicalization, and anomaly detection, transforming each object into a canonical representation. The approach is evaluated on an electrical insulator defect detection dataset, as well as select categories from the MVTec AD and VisA benchmarks, using unsupervised anomaly detection methods. Experimental results demonstrate that appropriate preprocessing consistently improves anomaly detection performance on the insulator dataset, with measurable improvements on selected MVTec AD and VisA categories.

• Language: English
• Keywords: Computer vision, anomaly detection, data preprocessing, industrial environment, uncontrolled environment
• Work type: Master's thesis/paper
• Organization: FRI - Faculty of Computer and Information Science
• Year: 2026
• PID: 20.500.12556/RUL-182384
• Publication date in RUL: 08.05.2026

Secondary language

• Language: Slovenian
• Title: Detekcija anomalij v nenadzorovanih industrijskih okoljih s predobdelavo podatkov

Abstract

Detekcija anomalij v industrijskih aplikacijah se običajno vrednoti na standardnih podatkovnih množicah, kot sta MVTec AD in VisA, katerih podatki so bili zajeti v nadzorovanih pogojih. Uspešnost metod na teh podatkovnih množicah se ne prenese nujno v realna okolja. V nenadzorovanih industrijskih okoljih slike pogosto vsebujejo več objektov, raznolika ozadja in nekonsistentne orientacije, kar bistveno otežuje detekcijo anomalij. To magistrsko delo rešuje te izzive s tristopenjskim postopkom za detekcijo anomalij, katerega cilj je zmanjšanje vpliva okolja pred samo detekcijo anomalij. Postopek vključuje detekcijo objektov, kanonizacijo in detekcijo anomalij, pri čemer se vsak objekt pretvori v kanonično obliko. Predlagan pristop je ovrednoten na podatkovni množici za detekcijo anomalij na električnih izolatorjih ter na izbranih kategorijah referenčnih podatkovnih množic MVTec AD in VisA, pri čemer so uporabljene nenadzorovane metode detekcije anomalij. Eksperimentalni rezultati kažejo, da ustrezna predobdelava dosledno izboljša uspešnost detekcije anomalij na podatkovni množici z izolatorji ter ima merljiv vpliv tudi na izbrane kategorije podatkovnih množic MVTec AD in VisA.

• Keywords: Računalniški vid, detekcija anomalij, predobdelava podatkov, industrijsko okolje, nenadzorovano okolje