Repoussant les limites de la détection de défauts traditionnelle, « Defect Spectrum » permet pour la première fois une détection de défauts industriels d'une ultra haute précision et d'une sémantique riche.

Dalam pembuatan moden, pengesanan kecacatan yang tepat bukan sahaja kunci untuk memastikan kualiti produk, tetapi juga teras untuk meningkatkan kecekapan pengeluaran. Walau bagaimanapun, set data pengesanan kecacatan sedia ada selalunya tidak mempunyai ketepatan dan kekayaan semantik yang diperlukan untuk aplikasi praktikal, menyebabkan model tidak dapat mengenal pasti kategori atau lokasi kecacatan tertentu.

Untuk menyelesaikan masalah ini, pasukan penyelidik terkemuka yang terdiri daripada Universiti Sains dan Teknologi Hong Kong Guangzhou dan Simou Technology telah membangunkan set data "Spektrum Kecacatan" secara inovatif, yang menyediakan anotasi berskala besar yang terperinci dan kaya dengan semantik bagi kecacatan industri. Seperti yang ditunjukkan dalam Jadual 1, berbanding set data industri lain, set data "Spektrum Kecacatan" menyediakan anotasi kecacatan yang paling banyak (5438 sampel kecacatan), klasifikasi kecacatan paling terperinci (125 kategori kecacatan), dan menyediakan pelbagai jenis kecacatan menyediakan label terperinci tahap piksel. Selain itu, set data juga menyediakan penerangan linguistik terperinci untuk setiap sampel kecacatan. Perbandingan anotasi khusus ditunjukkan dalam Rajah 1.

Rajah 1: Berbanding dengan set data industri lain, Defect Spectrum adalah lebih tepat dan mempunyai anotasi yang lebih kaya

Jadual 1: Perbandingan kuantiti dan sifat Spektrum Kecacatan

"

set data sedia ada yang lain Spectrum" memperkenalkan pendekatan revolusioner - "DefectGen" - berdasarkan model penyebaran terkini. Dengan menggunakan sejumlah kecil data kecacatan industri untuk menjana imej dan label kecacatan tahap piksel, kaedah ini meningkatkan prestasi model pengesanan kecacatan industri dengan ketara dan dilaksanakan pada beberapa set data standard industri (seperti MVTec AD, VISION, DAGM2007 dan Cotton-Fabric) Satu kejayaan prestasi yang tidak pernah berlaku sebelum ini.

Penyelidikan terobosan ini bukan sahaja meningkatkan ketepatan pengesanan kecacatan, tetapi juga membuka kemungkinan baharu untuk aplikasi AI dalam persekitaran industri yang kompleks. Kod dan model projek telah menjadi sumber terbuka sepenuhnya. . pautan ject: https : //envision-research.github.io/Defect_Spectrum/

Github Repo: https://github.com/EnVision-Research/Defect_Spectrum

Dataset Repo: https://huggingface.co/datasets/DefectSpectrum/Defect_Spectrum

• Memecahkan had pengesanan kecacatan tradisional dan mendekati pengeluaran sebenar
• Rajah 2: Pengeluaran industri sebenar, gelung tertutup pengesanan dan analisis kecacatan
• Dalam pengeluaran industri sebenar, keperluan kami untuk pengesanan kecacatan adalah lebih terperinci. . Kilang perlu memastikan keuntungan semasa mengawal bahagian yang rosak, seperti yang ditunjukkan dalam Rajah 2. Walau bagaimanapun, set data pengesanan kecacatan yang sedia ada sering tidak mempunyai ketepatan dan kekayaan semantik yang diperlukan untuk aplikasi praktikal Contohnya, jika terdapat kawasan besar cat yang mengelupas permukaan plat logam, walaupun kawasan kecacatan adalah besar, ia akan. tidak mempunyai kesan fungsi pada plat logam Mungkin minimum. Walau bagaimanapun, jika terdapat retakan kecil di dalam plat logam, walaupun retak ini sekecil rambut, ia boleh menyebabkan plat logam pecah serta-merta apabila ia berada di bawah tekanan, menjejaskan prestasinya dengan ketara malah menyebabkan bahaya keselamatan yang serius.
• Sebaiknya dikatakan, andaikan gigi zip sehelai pakaian tidak sejajar Walaupun kecacatan ini mungkin tidak kelihatan besar atau mudah dikesan, ia menjejaskan fungsi pakaian dan menyebabkan zip tidak berfungsi dengan baik. Pengguna terpaksa mengembalikannya ke kilang untuk dibaiki. Walau bagaimanapun, jika kecacatan berlaku pada fabrik pakaian, seperti sedikit tersangkut atau sedikit perbezaan warna, saiz dan kesannya perlu ditimbang dengan teliti. Kecacatan fabrik berskala kecil boleh diklasifikasikan dalam had yang boleh diterima, membolehkan produk ini dijual melalui strategi pengedaran yang berbeza, seperti menjual pada harga diskaun, sekali gus memastikan produk mengalir tanpa menjejaskan standard kualiti keseluruhan.

Di sebalik semua ini, set data "Spektrum Kecacatan" adalah seperti detektif yang maha kuasa dengan wawasan tentang segala-galanya. Ia bukan sahaja merangkumi pelbagai jenis kecacatan industri, tetapi juga menyediakan penerangan terperinci dan kaya untuk setiap kecacatan. Dengan alat berkuasa ini, sistem pengesanan kecacatan dapat mengenal pasti dan mengklasifikasikan pelbagai kecacatan dengan lebih tepat tanpa kehilangan sebarang butiran.

Imaginez que sur la ligne de production réelle, à l'aide de l'ensemble de données « Defect Spectrum », le système d'inspection puisse identifier rapidement ce défaut crucial, le signaler immédiatement et le renvoyer à l'usine pour réparation. Dans le même temps, pour les défauts mineurs ou les différences de couleur du tissu, le système peut juger s'il se situe dans la plage acceptable sur la base d'un marquage détaillé des défauts, et décider s'il doit le vendre à un prix réduit. Cette méthode de traitement flexible améliore non seulement la qualité du produit, mais garantit également l'efficacité de la production et le contrôle des coûts.

Bien que les ensembles de données traditionnels tels que MVTEC et AeBAD fournissent des annotations au niveau des pixels, ils sont souvent limités à des masques binaires et ne peuvent pas distinguer en détail les types et les emplacements de défauts. L'ensemble de données « Defect Spectrum » réévalue et affine les annotations de défauts existantes grâce à une coopération avec quatre références majeures du secteur. Par exemple, les fines rayures et bosses sont profilées plus précisément et les défauts manqués sont comblés avec l'assistance d'experts, garantissant ainsi une annotation complète et précise.

Modèle innovant de génération de défauts "Defect-Gen"

Figure 3 : Diagramme schématique du processus de génération en deux étapes de Defect-Gen

Face au problème d'échantillons de défauts insuffisants dans l'ensemble de données actuel, nous avons proposé « Defect-Gen », un générateur de diffusion à deux étages. Ce générateur améliore la diversité et la qualité des images avec un nombre limité d'échantillons grâce à deux méthodes clés : premièrement, en utilisant une modélisation au niveau des patchs, deuxièmement, en limitant le champ de réception ;

Les modèles de diffusion traditionnels sont sujets au surajustement lorsqu'il y a peu d'échantillons d'apprentissage. Les résultats générés manquent de diversité et ne se souviennent souvent que des échantillons d'apprentissage. Notre modèle réduit efficacement ce phénomène de surajustement en réduisant la dimension des données et en augmentant la taille de l'échantillon.

Afin de combler les lacunes de la modélisation au niveau patch pour exprimer l'ensemble de la structure de l'image, nous proposons un processus de diffusion en deux étapes. Tout d’abord, utilisez un grand modèle de champ réceptif pour capturer la structure géométrique dès les premières étapes, puis passez à un petit modèle de champ réceptif pour générer des correctifs locaux dans les étapes suivantes. Cela améliore considérablement la diversité des images générées tout en conservant la qualité de l’image. En ajustant les points d'accès et les champs récepteurs des deux modèles, notre modèle atteint un bon équilibre entre fidélité et diversité.

Grâce à « Defect-Gen », nous fournissons des échantillons de formation plus riches et plus diversifiés pour la détection des défauts industriels, favorisant ainsi le développement de technologies d'inspection automatisées. certains réseaux de détection de défauts sur l'ensemble de données Defect Spectrum

Tableau 3 : Critères d'évaluation réels sur l'ensemble de données Defect Spectrum

Tableau 4 : Excellentes performances de Defect Spectrum dans l'évaluation réelleNotre évaluation des données Defect Spectrum L'ensemble a été entièrement évalué et annoté comme le montre le tableau 3. Cette expérience a vérifié l’applicabilité et la supériorité de Defect Spectrum dans divers défis de détection de défauts industriels. Le tableau 4 montre que par rapport à l'ensemble de données d'origine, le modèle formé sur notre ensemble de données a augmenté le taux de rappel de 10,74 % et réduit le taux de faux positifs de 33,1 %. En outre, le processus de construction et d'évaluation de l'ensemble de données fournit non seulement une base de recherche solide, mais fournit également une plate-forme permettant aux chercheurs de l'industrie et du monde universitaire d'évaluer et de développer des modèles avancés pour les besoins complexes de détection de défauts industriels.

L'introduction de l'ensemble de données Defect Spectrum est comme un coup de pouce pour la production industrielle. Cela rapproche le système de détection des défauts des besoins réels de production et permet une gestion efficace et précise des défauts. Dans le même temps, il fournit également un support de données précieux pour la maintenance prédictive future. En enregistrant la catégorie et l'emplacement de chaque défaut, l'usine peut optimiser en permanence le processus de production, améliorer les méthodes de réparation des produits et, à terme, atteindre une efficacité de production et une qualité de produit plus élevées.

Résumé

Nous avons publié l'ensemble de données Defect Spectrum et le générateur de défauts DefectGen, qui fournissent la haute précision et la riche sémantique des défauts requis dans l'inspection industrielle réelle, et résolvent le problème de l'incapacité du modèle à identifier les catégories ou les emplacements de défauts. .

Nous avons mené une évaluation complète de l'ensemble de données Defect Spectrum et vérifié son applicabilité et sa supériorité dans divers défis de détection de défauts industriels. Par rapport à l'ensemble de données d'origine, le modèle formé sur notre ensemble de données s'est amélioré. Le taux de rappel est de 10,74 %, ce qui réduit les faux. Taux positif de 33,1%.

Référence :

1.    Bai, H., Mou, S., Likhomanenko, T., Cinbis, R.G., Tuzel, O., Huang, P., Shan, J., Shi, J., Cao, M. : Ensembles de données de vision : une référence pour inspection industrielle basée sur la vision. Préimpression arXiv arXiv :2306.07890 (2023)

2.    Silvestre-Blanes, J., Albero-Albero, T., Miralles, I., Pérez-Llorens, R., Moreno, J. : Une base de données publique sur les tissus pour les méthodes et les résultats de détection des défauts. Journal de recherche Autex19(4), 363-374 (2019). https://doi.org/doi:10.2478/aut-2019-0035,https://doi.org/10.2478/aut-2019-0035

3.    Zhang, Z., Zhao, Z., Zhang, X., Sun, C., Chen, X. : Détection d'anomalies industrielles avec changement de domaine : un ensemble de données du monde réel et une reconstruction masquée à plusieurs échelles. Préimpression arXiv arXiv :2304.02216 (2023)

4.    Mishra, P., Verk, R., Fornasier, D., Piciarelli, C., Foresti, GL : VT-ADL : Un réseau de transformateurs de vision pour la détection et la localisation d'anomalies d'image. Dans : 30e Symposium international IEEE/IES sur l'électronique industrielle (ISIE) (juin 2021)

5.    Incorporated, C. : Glossaire standard des défauts de tissu (2023), uRL : https : / / www . cotoninc. com / qualité - produits / textile - ressources / tissu - défaut - glossaire

6.    Wieler, M., Hahn, T. : Apprentissage faiblement supervisé pour l'inspection optique industrielle. Dans : Colloque DAGM in. vol. 6 (2007)

7.    Tabernik, D., Šela, S., Skvarč, J., Skočaj, D. : Approche d'apprentissage en profondeur basée sur la segmentation pour la détection des défauts de surface. Journal de fabrication intelligente31(3), 759-776 (2020)

8.    Bergmann, P., Fauser, M., Sattlegger, D., Steger, C. : Mvtec ad – un ensemble complet de données du monde réel pour la détection d'anomalies non supervisée. Dans : Actes de la conférence IEEE/CVF sur la vision par ordinateur et la reconnaissance de formes. pp. 9592-9600 (2019)

9.    Zou, Y., Jeong, J., Pemula, L., Zhang, D., Dabeer, O. : Pré-formation auto-supervisée Spot-the-difference pour la détection et la segmentation des anomalies (2022)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!