Lightweight Dual-Path Network with Dynamic Distillation for Industrial LED Defect Recognition

En las fábricas que impulsan nuestro mundo moderno, millones de diminutas luces llamadas LED son ensambladas. Estos componentes son los ojos de nuestras pantallas y los faros de nuestras ciudades, pero son frágiles. Durante la fabricación, pueden desarrollar fallos sutiles: una burbuja atrapada en el pegamento, un pin que está ligeramente suelto o una mota de polvo extraño. Si estos defectos se escapan, el producto final puede fallar, lo que genera desperdicios costosos y tecnología poco fiable. Durante décadas, los fabricantes han intentado detectar estos errores utilizando cámaras automatizadas y computadoras. Los primeros intentos dependían de reglas rígidas o de un emparejamiento de patrones simple, que a menudo fallaban cuando la iluminación cambiaba o los defectos se veían ligeramente diferentes. Los sistemas más recientes utilizan el aprendizaje profundo, un tipo de inteligencia artificial que aprende a reconocer patrones estudiando miles de ejemplos. Sin embargo, estos sistemas inteligentes suelen requerir una potencia de cálculo masiva, lo que los hace demasiado pesados y lentos para ejecutarse en las pequeñas y económicas computadoras que se encuentran en una concurrida planta de producción. Además, los datos de las fábricas del mundo real son desordenados; algunos tipos de defectos son comunes, mientras que otros son raros, y diferentes defectos pueden parecerse sorprendentemente entre sí, confundiendo incluso a los algoritmos más avanzados.

Para resolver esto, un equipo de investigadores de varias universidades de China ha desarrollado un nuevo sistema ligero diseñado específicamente para estas difíciles condiciones industriales. Su enfoque, detallado en un estudio reciente, se centra en enseñar a un modelo computacional pequeño y eficiente a reconocer defectos de LED con alta precisión, incluso cuando los datos están desequilibrados y las pistas visuales son tenues. En lugar de depender de una única forma rígida de mirar una imagen, el nuevo sistema utiliza una estrategia de "doble vía". Imagine a un estudiante aprendiendo una materia compleja: podría estudiar un libro de texto para obtener la visión general, mientras también examina diagramas detallados para los puntos finos. Este sistema hace algo similar al ejecutar dos flujos paralelos de análisis. Un flujo observa la estructura general de la imagen, mientras que el otro hace un acercamiento a capas específicas de detalle. Crucialmente, el sistema no trata estas dos visiones como igualmente importantes para cada imagen. En su lugar, utiliza un mecanismo dinámico para decidir, para cada defecto específico, cuánto peso dar a la visión amplia frente a la visión detallada. Esto permite que la computadora adapte su enfoque, prestando atención extra a los detalles cuando dos defectos diferentes se ven muy similares, o confiando en el contexto más amplio cuando el defecto es obvio.

Para hacer que este sistema pequeño sea lo más inteligente posible, los investigadores emplearon una técnica llamada destilación de conocimiento. En este proceso, primero se entrena un modelo "maestro", grande, potente y computacionalmente costoso, para reconocer los defectos perfectamente. Este maestro luego guía al modelo "estudiante" más pequeño, que es el destinado a la fábrica. El maestro no solo le dice al estudiante la respuesta correcta; comparte las relaciones sutiles entre diferentes tipos de defectos y las características específicas que los distinguen. El estudiante aprende tanto de las decisiones finales del maestro como de los pasos intermedios que el maestro tomó para llegar a esas decisiones. Esta transferencia de conocimiento permite que el estudiante ligero alcance un nivel de precisión que usualmente requiere una máquina mucho más grande. Los investigadores probaron este método en dos conjuntos de datos diferentes: un nuevo conjunto de datos que construyeron, que contiene más de 6,000 imágenes de ocho tipos diferentes de defectos, y un conjunto de datos público utilizado por una importante empresa tecnológica. Los resultados fueron impactantes. En su propio conjunto de datos, el sistema identificó correctamente los defectos el 97.17% de las veces, y en el conjunto de datos público, alcanzó una precisión del 96.31%. Estos números representan una mejora significativa sobre otros modelos ligeros disponibles actualmente, que a menudo luchan con los tipos de defectos raros y confusos que se encuentran en las líneas de producción reales.

El estudio también abordó el desafío de los recursos computacionales limitados, un factor crítico para el despliegue industrial. Aunque el nuevo sistema es ligeramente más complejo que los modelos más simples existentes, sigue siendo lo suficientemente pequeño como para ejecutarse eficientemente en hardware estándar. Procesa imágenes a una velocidad de más de 300 fotogramas por segundo, lo suficientemente rápido como para seguir el ritmo acelerado de una línea de fabricación. Los investigadores demostraron que el sistema no solo memoriza las imágenes de entrenamiento, sino que aprende a generalizar, lo que significa que puede identificar defectos que nunca ha visto antes con alta fiabilidad. Al combinar la arquitectura de doble vía con la técnica de destilación de conocimiento, el equipo creó una herramienta que es tanto poderosa como práctica. Este trabajo sugiere que el control de calidad de alta precisión no requiere supercomputadoras masivas y ávidas de energía. En cambio, al enseñar a los modelos más pequeños a aprender más eficazmente de sus contrapartes más grandes y a adaptar su enfoque dinámicamente, las fábricas pueden lograr una mejor detección de defectos sin sacrificar la velocidad o la eficiencia. Los investigadores han puesto su código y el nuevo conjunto de datos a disposición del público, invitando a otros a construir sobre esta base para una fabricación industrial más inteligente y fiable.