Améliorer les performances de détection des défauts dans les usines intelligentes

L'équipe de recherche du professeur Sang Hyun Park au Département de génie robotique et mécatronique de la DGIST a développé une technologie de détection d'anomalies logiques en collaboration avec une équipe de l'Université de Stanford. Cette technologie devrait améliorer considérablement les performances de détection des défauts dans les usines intelligentes en tirant parti de l’IA pour identifier avec précision les anomalies logiques dans les images industrielles.

Les anomalies logiques sont des données qui violent les contraintes logiques de base, telles que le nombre, la disposition ou la composition des composants d'une image. Contrairement aux anomalies structurelles, qui peuvent être détectées relativement facilement en examinant des images partielles, la détection des anomalies logiques nécessite la capacité de distinguer les différents composants de l'image entière. Les modèles d’IA précédents ont enregistré de mauvais scores AUROC ne dépassant pas une moyenne de 90 % en matière de détection d’anomalies logiques.

Pour surmonter cette limitation de performances, l'équipe de recherche du professeur Sang Hyun Park a proposé un modèle qui apprend d'abord à segmenter chaque composant avec précision, puis utilise ces informations pour effectuer la détection des anomalies.

En règle générale, la formation d'un modèle de segmentation nécessite un étiquetage au niveau des pixels, ce qui crée un problème de main d'œuvre important. Pour résoudre ce problème, l’équipe de recherche a proposé une technique de segmentation en quelques plans utilisant un petit nombre de vérités terrain.

Les images utilisées pour la formation du modèle ont été combinées de la même manière, ce qui signifie que chaque image est différente, mais le nombre de composants ou de pixels est similaire. Le modèle de segmentation a été efficacement entraîné en minimisant la fonction objectif à l'aide d'histogrammes. Par conséquent, la technique proposée a démontré une précision supérieure par rapport aux techniques existantes de segmentation en quelques coups.

En outre, la recherche propose un modèle qui utilise les informations de segmentation d’image pour effectuer simultanément une détection d’anomalies logiques et structurelles. Il utilise un total de trois banques de mémoire pour calculer efficacement les scores de détection des anomalies par comparaison avec les images de test.

L'équipe de recherche a appliqué cette technologie à l'ensemble de données MVTec LOCO AD, qui compte parmi les ensembles de données de détection d'anomalies logiques les plus difficiles actuellement disponibles. Alors que les techniques existantes ont chacune enregistré des performances inférieures à une moyenne de 90 % en détection d'anomalies logiques, la technique proposée a atteint une performance moyenne de 98 %.

Le professeur Sang Hyun Park du Département de génie robotique et mécatronique de la DGIST a déclaré : « Cette recherche a considérablement amélioré les performances en matière de détection des anomalies logiques. Cette technologie pourrait réduire considérablement les coûts associés à la détection des défauts dans les usines intelligentes. »

Les résultats sont publiés sur le arXiv serveur de préimpression.

Fourni par DGIST (Institut des sciences et technologies de Daegu Gyeongbuk)