Détection d'anomalies efficace sur le calcul réalisée grâce à un nouveau modèle à double éclairage
Dans le but d'améliorer le contrôle de la qualité et de réduire les erreurs de production, les fabricants adoptent de plus en plus des systèmes de détection d'anomalies automatisés. Ces systèmes identifient automatiquement les défauts des produits de fabrication et sont largement utilisés dans diverses industries comme la fabrication automobile, l'électronique et les produits pharmaceutiques.
Les systèmes de détection d'anomalies traditionnels reposent sur l'apprentissage supervisé, où les modèles sont formés sur des ensembles de données étiquetés contenant des échantillons normaux et défectueux. Cependant, dans la plupart des contextes industriels, les données de défaut sont généralement rares ou très variables, ce qui rend ces approches peu pratiques. En conséquence, les modèles d'apprentissage non supervisés qui reposent exclusivement sur des données sans défaut sont devenues une alternative prometteuse.
Récemment, des méthodes basées sur l'intégration ont obtenu des résultats de pointe pour la détection d'anomalies non supervisée. Malheureusement, ces méthodes reposent sur les banques de mémoire, entraînant une augmentation substantielle de la consommation de mémoire et des temps d'inférence. Ceci est problématique pour les paramètres industriels, qui sont souvent limités dans les ressources de la mémoire et la vitesse de traitement. De plus, ces méthodes fonctionnent mal dans les conditions d'éclairage à faible luminosité ou variable, qui sont courantes dans les environnements de fabrication.
Pour relever ces défis, une équipe de recherche dirigée par le professeur agrégé Phan Xuan Tan du programme mondial innovant et du College of Engineering du Shibaura Institute of Technology, Japan, et du Dr Hoang Dinh Cuong de l'Université FPT, du Vietnam, ont développé un modèle innovant non supervisé pour les images industrielles de l'anomalie industrielle (IAD) et la localisation en utilisant des images bien réduites et faibles jumelées.
« Notre approche est la première à tirer parti des images bien éclairées et de faible luminosité pour détecter les anomalies, tout en restant léger et économe en mémoire », explique le Dr Tan. L'équipe comprenait également des chercheurs de l'Université FPT au Vietnam. Leur étude est publiée dans le Journal of Computational Design and Engineering.
Le modèle proposé extrait d'abord des cartes pour des images bien éclairées et à faible luminosité, capturant leurs détails structurels et texturaux. Il affine ensuite ces fonctionnalités à l'aide de deux modules innovants. Le module d'amélioration des fonctionnalités bas (LFE) met l'accent sur les composants basse fréquence des cartes de fonctionnalités. Dans les environnements à faible luminosité, les caractéristiques à haute fréquence sont souvent corrompues par le bruit, obscurcissant les détails de surface subtils cruciaux pour la détection des anomalies. En se concentrant sur les caractéristiques à basse fréquence, le module LFE supprime efficacement le bruit dans les images à faible luminosité.
Les images à faible luminosité souffrent également d'éclairage non uniforme. Le module d'amélioration des fonctionnalités de l'éclairage aborde ce problème en générant une carte d'éclairage estimée pour ajuster dynamiquement les fonctionnalités en fonction des variations d'éclairage. Cela garantit une représentation des fonctionnalités correcte même dans un éclairage inégal.
Les sorties de ces deux modules sont ensuite intégrées à l'aide d'un module de fusion d'adaptation, qui capture leurs fonctionnalités complémentaires et améliore les détails les plus pertinents. Il le fait en utilisant des mécanismes d'attention des canaux et d'attention spatiale. Le premier garantit que seules les caractéristiques pertinentes sont soulignées tandis que les redondantes sont supprimées, et la seconde préserve des détails à grain fin.
Les anomalies sont ensuite détectées en comparant les fonctionnalités bien éclairées reconstruites des entrées de faible luminosité aux caractéristiques extraites d'origine. Cela produit une carte d'anomalie pour localiser les défauts et un score d'anomalie mondial pour la détection. Cette approche améliore l'efficacité informatique en minimisant la dépendance à l'égard des intérêts des fonctionnalités à forte intensité de mémoire, ce qui le rend adapté à des applications industrielles en temps réel.
Pour évaluer leur modèle, les chercheurs ont développé un nouvel ensemble de données appelé LL-IAD, où LL représente une faible luminosité. Il comprend 6 600 images bien éclairées et de faible luminosité dans 10 catégories d'objets. Ils ont également testé leur modèle sur des ensembles de données industriels externes supplémentaires, notamment l'isolant et l'embrayage. Le modèle a considérablement surpassé les méthodes de pointe existantes dans tous les ensembles de données. Notamment, même en l'absence d'images réelles, elle a maintenu une précision de détection élevée, prouvant son applicabilité pratique dans des environnements industriels difficiles.
« Notre modèle propose une solution efficace, efficace, conviviale et robuste pour l'IAD dans des conditions de fabrication de faible luminosité », remarque le Dr Tan. « De plus, LL-IAD est le premier ensemble de données spécialement conçu pour l'IAD dans des conditions de faible luminosité, qui, nous l'espérons, serviront de ressource précieuse pour les recherches futures. »
En introduisant à la fois un cadre innovant de détection d'anomalies et un nouvel ensemble de données complet, cette recherche relève un défi clé dans l'IAD, avec des avantages potentiels dans diverses industries.
