RAUDI: A Dual-Head Framework Unifying Unsupervised and Supervised Reconstruction for Industrial Anomaly Detection

En el bullicioso mundo de la fabricación moderna, la diferencia entre un producto impecable y uno defectuoso a menudo se reduce a un solo y diminuto fallo. Un rasguño microscópico en una placa de circuito, una grieta capilar en una carcasa metálica o una sutil decoloración en un dispositivo médico pueden hacer que un artículo sea inútil o incluso peligroso. Durante décadas, las fábricas han dependido de sistemas automatizados para detectar estos errores, pero enseñar a una computadora a detectar un defecto es un desafío paradójico. Para aprender cómo es un defecto, una máquina normalmente necesita ver miles de ejemplos de artículos rotos. Sin embargo, en una fábrica bien gestionada, los artículos rotos son raros. Son la excepción, no la regla. Esta escasez hace que sea increíblemente difícil entrenar a la inteligencia artificial para reconocer todas las formas posibles en que un producto puede fallar. En consecuencia, muchos sistemas se entrenan solo con artículos perfectos y normales, aprendiendo a detectar cualquier cosa que se desvíe del estándar. Si bien esto funciona para problemas conocidos, tiene dificultades cuando aparece un tipo de daño nuevo e inesperado, o cuando una fábrica necesita ignorar imperfecciones menores que son en realidad aceptables.

Un equipo de investigadores de la Universidad Nacional de Chungbuk en Corea del Sur ha propuesto un nuevo enfoque para resolver este dilema, ofreciendo una forma de enseñar a las máquinas a ver los defectos con mayor claridad sin necesidad de pilas interminables de muestras rotas. Llaman a su sistema RAUDI, un marco que combina dos formas diferentes de aprendizaje en una única herramienta flexible. En lugar de obligar a la computadora a elegir entre aprender de artículos perfectos o de artículos rotos, RAUDI utiliza dos "cabezales" o vías paralelas. Una vía aprende estrictamente de imágenes de productos perfectos, buscando cualquier cosa que no encaje con el patrón. La otra vía está diseñada para aprender de imágenes defectuosas cuando estas están disponibles, o de defectos falsos cuidadosamente elaborados cuando los reales faltan. Al fusionar los conocimientos de ambas vías, el sistema puede detectar una variedad más amplia de problemas y, crucialmente, puede ajustarse para ignorar imperfecciones menores que una fábrica podría considerar aceptables, centrándose solo en los fallos críticos que importan.

El núcleo de esta innovación reside en cómo el sistema maneja los datos que recibe. La primera vía opera bajo el principio de reconstrucción. Imagine mostrar a una computadora miles de fotos de una superficie perfecta e inmaculada. La computadora aprende a reconstruir estas imágenes en su mente, comprendiendo exactamente cómo es una superficie normal. Cuando ve una nueva imagen con un rasguño, intenta reconstruirla como si fuera perfecta, pero el rasguño confunde el proceso. La computadora falla al reconstruir ese punto específico correctamente, y ese fallo señala una anomalía. Este método es excelente para encontrar defectos desconocidos porque se basa en lo que no es normal. Sin embargo, tiene un punto ciego: no puede distinguir entre una grieta crítica y un rasguño inofensivo, ni puede mejorar si se le pasa por alto un tipo específico de error.

Para solucionar esto, los investigadores añadieron una segunda vía que aprende de los propios defectos. En muchos entornos industriales, las empresas sí poseen algunas imágenes de productos rotos, pero etiquetarlas es costoso y requiere mucho tiempo. Para superar esto, el equipo desarrolló una forma ingeniosa de generar defectos falsos realistas. Utilizaron una técnica llamada segmentación de superpíxeles, que descompone una imagen en pequeños parches coherentes en color que se asemejan a la estructura natural del objeto. En lugar de simplemente pegar ruido aleatorio sobre una foto, el sistema selecciona estos parches naturales y los expande de una manera que imita cómo el daño real se propaga a través de una superficie. Esto crea defectos sintéticos que parecen y se comportan como el original, permitiendo que la segunda vía aprenda de una vasta biblioteca de ejemplos sin necesidad de que un humano etiquete cada uno de ellos.

La brillantez del sistema RAUDI reside en cómo evita que estas dos vías trabajen una contra la otra. Si una computadora es entrenada para ver un defecto y luego se le pide que "reconstruya" la imagen, podría aprender accidentalmente a reparar el defecto, borrando efectivamente aquello que se supone debe encontrar. Los investigadores resolvieron esto diseñando la segunda vía para que produzca un mapa de dónde se encuentran los defectos, en lugar de intentar reconstruir la imagen. Aprende a resaltar las áreas dañadas mientras ignora el resto, asegurando que el sistema se mantenga agudo y enfocado en el problema. Cuando el sistema está listo para inspeccionar un nuevo producto, combina los resultados de ambas vías. La primera vía lanza una red amplia, capturando cualquier cosa inusual, mientras que la segunda vía refina el enfoque, confirmando qué puntos inusuales son en realidad defectos críticos.

Los resultados de este enfoque dual son sorprendentes. Al ser probado en un benchmark estándar que contiene imágenes de diversos productos industriales, el sistema alcanzó una precisión de detección del 99.3% y una precisión de localización del 73.1%, lo que significa que no solo sabía que un defecto estaba presente, sino que podía señalar su ubicación con alta precisión. En un conjunto de datos diseñado específicamente para el aprendizaje supervisado, donde se disponía de imágenes defectuosas reales para el entrenamiento, el sistema alcanzó una precisión del 86.4% en la localización de defectos, superando a métodos previos de vanguardia. Quizás lo más importante es que el sistema demostró su flexibilidad en un conjunto de datos del mundo real de imágenes de soldadura de membranas proporcionado por un socio industrial. En estas imágenes, el sistema distinguió con éxito entre variaciones aceptables en el proceso de soldadura y desequilibrios térmicos o degradación de materiales reales, produciendo resultados que se alinean estrechamente con los de expertos humanos.

Este trabajo sugiere que el futuro del control de calidad industrial no requiere elegir entre el aprendizaje no supervisado, que es flexible pero ciego a las necesidades específicas del usuario, y el aprendizaje supervisado, que es preciso pero ávido de datos. Al unificar estos enfoques, los investigadores han creado un sistema que puede adaptarse a la realidad de la planta de producción. Puede aprender de los pocos artículos rotos que tiene una fábrica, o generar ejemplos realistas para llenar los huecos, todo ello manteniendo la capacidad de detectar tipos de errores completamente nuevos. El sistema no solo detecta que algo anda mal; comprende el contexto del error, permitiendo a los fabricantes establecer sus propios estándares sobre lo que constituye un defecto. En una industria donde el coste de un fallo omitido puede ser alto, esta capacidad de ver con claridad, precisión y adaptabilidad ofrece un paso significativo hacia adelante en la garantía de la fiabilidad de los productos que impulsan nuestra vida diaria.