Le modèle basé sur l’image améliore la détection des défauts de surface dans les paramètres industriels à faible lumière
Dans l’industrie, la détection d’anomalies telles que les rayures, les bosses et les décolorations est cruciale pour assurer la qualité et la sécurité des produits. Cependant, les méthodes conventionnelles reposent sur un traitement de calcul lourd et une amélioration de l’image et peuvent ne pas vraiment refléter des défauts subtils, en particulier dans les paramètres de faible luminosité.
Désormais, les chercheurs ont conçu un modèle robuste avec la suppression du bruit et les caractéristiques adaptatives de l’illumination qui améliorent la précision et la cohérence de la détection des anomalies à travers diverses surfaces et textures dans des environnements industriels mal éclairés. Leur travail a été publié dans Entraîne l’ingénierie.
Le contrôle de la qualité (QC) est un élément essentiel des processus industriels qui assure la fiabilité, la qualité et la sécurité des produits. La détection des anomalies (AD), qui fait référence au processus d’identification des valeurs aberrantes ou des événements rares / inhabituels par rapport à la majorité, est crucial pour identifier les défauts pendant l’inspection des produits et QC.
L’augmentation de la rigueur des réglementations industrielles et la demande croissante de divers produits appellent des systèmes publicitaires automatisés, robustes et efficaces qui peuvent détecter avec précision les anomalies. Cependant, la MA devient particulièrement difficile en utilisant des méthodes traditionnelles, étant donné les environnements obscurs et divers dans des environnements industriels, y compris des conditions de faible luminosité.
De plus, les modèles d’annonces qui reposent sur l’amélioration de l’image à faible luminosité peuvent être limités par des artefacts et des images bruyantes qui ne reflètent pas avec précision les défauts subtils sur les surfaces industrielles. De plus, les systèmes publicitaires basés sur l’apprentissage en profondeur nécessitent un traitement étendu des données et des ressources de calcul, ce qui limite leur application pratique généralisée.
Pour surmonter ce défi, le Dr Phan Xuan Tan, professeur agrégé du programme mondial innovant, College of Engineering, Shibaura Institute of Technology, Japan, ainsi que le Dr Dinh-Cuong Hoang et d’autres chercheurs de l’Université FPT, Vietnam, ont conçu « Darkad » – un nouveau cadre de bout en bout qui peut améliorer les adaptations dans les environnements industriels à faible lumière. Les chercheurs ont introduit un adaptateur de caractéristiques (DAFA), consacré à l’obscurité qui intègre la réduction du bruit et le traitement d’image à faible luminosité.
Donnant un aperçu supplémentaire de leur travail, le Dr Tan explique: « Contrairement aux méthodes existantes qui s’appuient sur l’amélioration de l’image à faible luminosité en calcul, Darkad présente DAFA, qui améliore l’extraction des fonctionnalités grâce à l’amélioration des fonctionnalités basée sur la fréquence (FFE) pour supprimer le bruit et l’illumination de la fonctionnalité consacrée à l’amélioration (IFE) pour une approche réelle de la réduction des zones et de l’opération. coûts. «
Les méthodes conventionnelles basées sur la reconstruction et l’intégration des fonctionnalités utilisent des ensembles de modèles pré-formés pour identifier les écarts, tandis que les modèles basés sur la synthèse génèrent des anomalies dans des images normales pour étendre l’ensemble de données. Cependant, ces approches sont limitées par les conflits sémantiques, les grandes exigences de stockage de la mémoire et l’incapacité d’imiter avec précision les anomalies de surface.
Une approche hybride qui combine les forces de différentes méthodes peut améliorer la robustesse des systèmes publicitaires. Simplenet est une approche hybride qui combine des stratégies basées sur les caractéristiques et la synthèse, permettant une génération d’anomalies abstraite et flexible et une AD efficace sur le calcul.
Néanmoins, la détection de faible lumière continue de rester une préoccupation. Les chercheurs ont cherché à adapter le modèle Simplenet pour améliorer la MA dans des conditions de faible luminosité et bruyantes.
Dans le cadre actuel, le module FFE améliore les caractéristiques structurelles à basse fréquence tout en réduisant le bruit à haute fréquence, permettant ainsi une annonce robuste même dans des conditions de faible luminosité. Le module IFE estime l’éclairage à travers l’image et améliore les régions peu éclairées, atténuant ainsi les défis qui résultent d’un éclairage inégal. Notamment, le modèle DarkAD ne nécessite pas de prétraitement ou d’amélioration de l’image d’entrée.
De plus, l’adaptation dynamique par le modèle amplifie sélectivement les fonctionnalités des régions bien éclairées, tout en préservant les caractéristiques cruciales des régions faibles, améliorant ainsi sa précision de détection.
En plus de concevoir le modèle de publicité, les chercheurs ont également assemblé un ensemble de données d’entraînement d’anomalies à l’aide d’images d’objets industriels avec diverses formes, tailles, couleurs et matériaux acquis dans des paramètres à faible luminosité. Ils ont soigneusement sélectionné des objets qui représenteraient des éléments industriels couramment rencontrés, augmentant l’applicabilité du monde réel du modèle.
Leur ensemble de données comprenait des objets sans défaut et défectueux qui reflètent des anomalies communes, y compris les rayures, les bosses, les décolorations, les pièces manquantes et les déformations de surface. Enfin, ils ont combiné les données nouvellement acquises avec des ensembles de données existants pour améliorer la robustesse et la portée du modèle à travers divers paramètres industriels.
Le modèle Darkad conçu dans cette étude a surperformé de manière significative le modèle Simplenet en détectant avec précision les anomalies subtiles, même dans des objets avec des textures complexes dans des conditions peu éclairées. Le modèle a également atteint une vitesse de détection, une cohérence et une précision de localisation élevées par rapport à d’autres modèles de pointe.
Dans l’ensemble, le framework Darkad est un modèle AD robuste, très performant, adaptatif et évolutif industriellement qui peut être appliqué dans divers contextes industriels réels. Sa précision dans la détection d’anomalies de tailles et de formes variables à travers divers matériaux et conditions d’éclairage complexes en fait un précieux outil QC pour la fabrication industrielle automatisée, la surveillance des infrastructures et la détection de dysfonctionnement des instruments et d’autres risques industriels.
Mettre en évidence les diverses applications de leur modèle, le Dr Tan dit: « Darkad peut potentiellement être appliqué à diverses applications. Par exemple, la fabrication de QC pour détecter les défauts dans les pièces automobiles comme les embrayages et les pneus, les composants industriels, y compris les glandes de câble et les isolateurs, et les textiles sous un mauvais éclairage.
« Il peut également permettre une surveillance automatisée 24/7 et une inspection visuelle étroite pour détecter les anomalies subtiles dans les usines à faible luminosité, les entrepôts, les paramètres à haut risque comme les systèmes de réseau électrique et les environnements sous-marins complexes, réduisant ainsi la dépendance à l’égard des inspecteurs humains. »
