CDGP: Contrastive Dual Gaussian Processes for Weakly Supervised Anomaly Segmentation
تقترح الورقة البحثية عملية "العمليات الغاوسية المزدوجة التباينية" (CDGP)، وهي إطار عمل تحت إشراف ضعيف يجمع بين إحصائية هيمنة اللاحقة المستمدة من العمليات الغاوسية المزدوجة وبين بقايا إعادة البناء الهرمية لتحقيق أفضل النتائج في تقسيم الشذوذ دون الحاجة إلى تعليقات توضيحية على مستوى البكسل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم التصنيع الحديث الصاخب، تُوكل إلى الآلات بشكل متزايد المهمة الدقيقة المتمثلة في فحص المنتجات بحثاً عن العيوب. قد ينتج المصنع آلاف المكونات المتطابقة كل ساعة، والهدف هو رصد القطعة المعيبة النادرة قبل أن تصل إلى العميل. يتطلب هذا أمرين: تحديد ما إذا كان المنتج تالفاً، وتحديد مكان الكسر بدقة. لعقود من الزمن، كانت الطريقة الأكثر موثوقية لتعليم الحواسيب القيام بذلك هي عرض آلاف الأمثلة المثالية عليها وتركها تتعلم كيف يبدو الشكل "الطبيعي". عندما يرى الحاسوب شيئاً ينحرف عن ذلك النمط الطبيعي، فإنه يصنفه كعيب. يعمل هذا النهج بشكل جيد لأن العناصر المثالية سهلة العثور عليها، بينما العناصر المكسورة نادرة ومتنوعة. ومع ذلك، فإن هذه الطريقة لديها نقطة ضعف؛ فهي غالباً ما تجد صعوبة في التمييز بين صدع حقيقي وبين نسيج غير معتاد ولكنه غير ضار يبدو غريباً بعض الشيء. فهي ترى كليهما على أنهما "غير طبيعيين" وتطلق إنذاراً لكليهما، مما يؤدي إلى الارتباك وهدر الوقت.
لطالما تساءل الباحثون عما إذا كان بإمكانهم تحسين ذلك من خلال عرض أمثلة لقطع مكسورة على الحاسوب، حتى لو لم يعرفوا بالضبط أين توجد الشقوق. في العالم الحقيقي، غالباً ما تعرف المصانع أي دفعة من المنتجات فشلت في اختبار الجودة، حتى لو لم يتفرغوا لرسم خريطة لكل عيب على حدة. هذا هو تحدي التعلم "ضعيف الإشراف": استخدام الملصق العام لـ "تالف" لتعليم الآلة تحديد الموقع الدقيق للخطأ دون الحاجة إلى خريطة تفصيلية. تقدم دراسة جديدة طريقة تسمى "عمليات غاوس المزدوجة التباينية" (CDGP)، والتي تعالج هذه المشكلة من خلال تغيير كيفية مقارنة الحاسوب بين الجيد والسيئ. فبدلاً من مجرد السؤال عن مدى غرابة صورة ما، يطرح النظام سؤالاً أكثر مباشرة: هل هذا الجزء من الصورة يشبه عيباً أم يشبه منتجاً طبيعياً؟
بنى الباحثون نظاماً يعامل كل رقعة صغيرة من الصورة كمرشح لكونها إما طبيعية أو تالفة. تخيل الصورة كشبكة من البلاطات الصغيرة. لكل بلاطة، يقوم النظام بتشغيل نموذجين ذهنيين منفصلين في وقت واحد؛ يعمل نموذج واحد على التنبؤ بما يجب أن تبدو عليه البلاطة الطبيعية، بينما يتم تدريب النموذج الآخر على التنبؤ بما يجب أن تبدو عليه البلية التالفة. هذه النماذج لا تخمن فحسب، بل هي مبنية على إطار إحصائي يسمح لها بالتعبير ليس فقط عن تنبؤ، بل وأيضاً عن مدى ثقتها في ذلك التنبؤ. ثم يقارن النظام بين هذين التنبؤين لكل بلاطة. إذا كان النموذج "التالف" أكثر احتمالاً لأن يكون صحيحاً من النموذج "الطالي"، وكان النظام واثقاً من هذا الفرق، فإنه يتم تعليم تلك البلاطة كعيب. هذا النهج قوي لأنه يجبر الحاسوب على وزن الأدلة لصالح وجود عيب مقابل الأدلة لصالح الحالة الطبيعية، بدلاً من مجرد البحث عن أي شيء يبدو غريباً.
لجعل هذا يعمل دون خرائط تفصيلية لأماكن العيوب، كان على الفريق أن يكون ذكياً بشأن كيفية بدء التدريب. بدأوا بمسح الصور التالفة واختيار البلاطات التي تبدو الأكثر اختلافاً عن الطبيعية. أصبحت هذه هي "المرشحات" الأولية ليتعلم منها النموذج التالف. كانت نقطة بداية صاخبة، حيث كانت بعض هذه المرشحات عبارة عن أجزاء طبيعية حدث أن بدت مختلفة قليداً، ولكن تم تصميم النظام ليتعلم من خلال هذه العملية. ومع استمرار التدريب، استخدم النظام ملصق "تالف" أو "طبيعي" البسيط للصورة بأكملها لتنقيح فهمه. لقد تعلم دفع التنبؤات للنموذج التالف لتكون أعلى في المناطق التي تحتوي بالفعل على عيوب، مع الحفاظ على قوة النموذج الطبيعي في المناطق الخلفية. سمحت هذه العملية للنظام بتدريج تركيزه، وفصل العيوهات الحقيقية عن الضوضاء الخلفية دون أن يرى قط واحداً لرسم يدوي لشق.
أدركت الدراسة أيضاً أن النظر إلى الصورة الكبيرة ليس كافياً دائماً للعثور على الشقوق الشعرية الرقيقة. ولحل ذلك، أضافوا طبقة ثانية من الفحص تركز على إعادة البناء. يحاول هذا الجزء من النظام إعادة بناء نسخة مثالية من الصورة من نسخة تالفة قليلاً. إذا واجه النظام صعوبة في إعادة بناء منطقة معينة، فهذا يشير إلى أن تلك المنطقة غير معتادة. ومن خلال الجمع بين المقارنة المباشرة بين النموذجين وفحص إعادة البناء هذا، يحصل النظام على جرعة مزدوجة من الأدلة. اختبر الباحثون هذه الطة على عدة مجموعات بيانات صناعية قياسية، بما في ذلك MVTec AD 2 و KSDD2 و VisA. كانت النتائج مذهلة؛ ففي مجموعة بيانات MVTec AD 2، وهي معيار صارم لهذا النوع من العمل، تفوقت الطريقة الجديدة على جميع الأساليب الأخرى المختبرة، وحلت في المرتبة الأولى في كل مقياس مستخدم لتحديد مدى قدرة النظام على تحديد مواقع العيوب. كما حققت مستوى عالياً أو تنافسية عالية في مجموعتي البيانات الأخريين.
إن ما يجعل هذا الاكتشاف مهماً بشكل خاص هو كيفية تعامله مع عدم اليقين. فالنظام لا يخرج مجرد درجة، بل يحسب مقياساً معيارياً لمدى احتمالية وجود عيب مقارنة بالحالة الطبيعية، مع مراعاة مدى تأكد النماذج. وهذا يمنع النظام من أن يُخدع بالضوضاء العشوائية. كما أظهر الباحثون أن هذا التحسن لم يكن ناتجاً عن إعداد أكثر تعقيداً فحسب، بل وتحديداً بسبب الطريقة التي قارنوا بها بين النموذجين ومعايرة ثقتهم باستخدام بيانات التدريب فقط. لقد تحققوا من أن النظام يعمل دون الحاجة إلى أي إنسان يرسم مربعات حول العيوب خلال مرحلة التعلم، معتمداً فقط على ملصقات "جيد" أو "سيئ" البسيطة التي تمتلكها المصانع بالفعل.
تخلص الدراسة إلى أنه من خلال نمذجة الاحتمالات الطبيعية والتالفة صراحة ومقارنتها مباشرة، يمكن للآلات أن تتعلم العثور على العيوب بدقة أكبر بكثير من ذي قبل. يجسد هذا النهج الفجوة بين وفرة البيانات الطبيعية وندرة خرائط العيوب التفصيلية. ويشير إلى أنه في البيئات الصناعية، حيث تكون الموارد والوقت المخصص للتدوين التفصيلي محدودة، يمكننا تحقيق فحص عالي الدقة عبر تعليم الحواسيب وزن الأدلة لصالح وجود عيب مقابل الأدلة لصالح الحالة الطبيعية، بدلاً من مجرد البحث عن أي شيء يبرز عن المعتاد. وتقف هذه الطريقة كحل قوي يحتل مرتبة الصدارة في معايير الأداء الحالية، مما يوفر مساراً عملياً للتحكم الآلي في الجودة في مجال التصنيع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.