Low Cost Two-Stage Fabric Defect Detection at the Edge

Dans les usines de confection bourdonnantes du Bangladesh, le deuxième plus grand exportateur de vêtements prêts-à-porter au monde, la qualité du produit final dépend entièrement du tissu. Avant qu'une seule chemise ne soit découpée, des rouleaux de tissu doivent être inspectés pour détecter des trous, des taches d'huile et des fils emmêlés. Pendant des décennies, cette inspection a été une tâche humaine. Les travailleurs se tiennent devant des rouleaux de tissu en mouvement, leurs yeux scrutant les imperfections jusqu'à ce que la fatigue s'installe, entraînant des résultats incohérents et des lignes de production lentes. Bien que des machines automatisées existent, elles sont souvent trop coûteuses et gourmandes en énergie pour les petites et moyennes usines qui tirent l'économie locale. Le défi pour ces usines n'est pas seulement de trouver des défauts, mais de le faire avec un ordinateur qui coûte environ cent dollars et consomme très peu d'électricité. C'est là qu'intervient le travail des chercheurs de l'Université de Dhaka, qui tentent de construire un système capable de voir ce qu'un œil humain fatigué pourrait manquer, mais sans le coût d'un supercalculateur.

Les chercheurs ont abordé ce problème avec une stratégie empruntée à des décennies d'histoire de la vision par ordinateur : ne pas tout vérifier avec votre outil le plus puissant. Au lieu de cela, utilisez un filtre rapide et bon marché pour écarter les articles normaux et évidents, et réservez le gros du travail pour les rares éléments qui semblent suspects. Ils ont construit un système à deux étapes pour tester cette idée. La première étape est un programme compact et léger conçu pour reconnaître ce qu'est un tissu « normal ». Si le tissu semble normal, le système rejette l'image et passe à la suite. Si le tissu semble étrange, le système le signale et l'envoie à un second programme, plus puissant, qui identifie précisément la nature du défaut. L'ensemble de ce processus a été déployé sur un petit appareil abordable appelé NVIDIA Jetson Nano, qui est conçu pour exécuter des tâches complexes dans des endroits où les grands serveurs ne peuvent pas aller.

L'équipe a entraîné sa première étape sur des milliers d'images de tissus parfaits, lui apprenant à reconstruire l'image du tissu dans son esprit. Lorsque le tissu est parfait, la reconstruction est facile et précise. Lorsqu'il y a un défaut, le système peine à recréer l'image, et cette difficulté signale une anomalie. Pour rendre ce filtrage plus efficace, ils ont ajouté quelques astuces ingénieuses au logiciel, comme se concentrer davantage sur les bords du tissu où les défauts se cachent souvent et apprendre d'un système expert pré-entraîné pour mieux comprendre ce qu'est un défaut. Cette première étape agit comme un garde-barrière. Dans leurs tests, ce garde-barrière a signalé les vingt images défectueuses dans un ensemble spécifique de deux cent quarante-neuf images, mais les chercheurs précisent que ce résultat est un résultat de calibration intra-échantillon plutôt qu'une estimation indépendante prouvée, avec un intervalle de confiance large suggérant que le rappel réel pourrait être plus bas. Cependant, il n'a pas été parfait pour ignorer les bons éléments ; il a signalé presque la moitié des tissus propres comme suspects, forçant la seconde étape à travailler plus dur que prévu.

La seconde étape utilise un système de détection d'objets bien connu pour examiner les images signalées et localiser précisément le trou, la tache d'huile ou l'erreur de fil. Comme cette étape est plus coûteuse en termes de calcul, les chercheurs espéraient qu'en filtrant d'abord les images normales, le système s'exécuterait beaucoup plus rapidement dans l'ensemble. Ils ont mesuré la vitesse de leur système à deux étapes par rapport à un système qui exécute le détecteur lourd sur chaque image. Le système à deux étapes était effectivement plus rapide, traitant environ treize images et demie par seconde contre un peu moins de dix pour le système utilisant uniquement le détecteur lourd. Cette amélioration ressemblait à un succès, mais les chercheurs ont décidé d'approfondir pour comprendre exactement d'où venait cette vitesse.

Ce qu'ils ont découvert était surprenant et important pour quiconque tente de construire des systèmes similaires. En décomposant le temps passé sur chaque tâche, ils ont découvert que l'accélération ne provenait pas principalement du fait de sauter le détecteur lourd. Elle provenait plutôt de la manière dont l'ordinateur gérait les images. Le système était capable de lire le fichier image depuis le disque et de traiter l'image suivante en même temps, masquant ainsi efficacement le temps nécessaire pour charger les données. L'économie réelle réalisée en sautant le détecteur lourd était assez faible, représentant moins de dix pour cent du gain de vitesse total. La raison de cette faible économie était que la première étape envoyait encore tellement de fausses alertes que la seconde étape devait de toute façon s'exécuter sur plus de la moitié des images.

Cette découverte déplace l'attention sur le problème. Les chercheurs ont réalisé que sur ce type spécifique de petit ordinateur, le goulot d'étranglement n'est pas l'intelligence du détecteur, mais la vitesse à laquelle les images peuvent lui être injectées. Le système passait plus de temps à charger les images qu'à les analyser. De plus, comme la première étape générait tant de fausses alertes, le système ne tirait pas réellement profit de la rareté des défauts. Les chercheurs ont calculé que s'ils pouvaient régler la première étape pour qu'elle soit plus prudente et envoie moins de fausses alertes, le système pourrait gagner considérablement de temps, réduisant potentiellement le travail de la seconde étape de près de moitié. Cependant, rendre la première étape plus prudente risque de manquer de vrais défauts, un compromis qui nécessite un équilibre minutieux.

L'étude conclut que bien que ce système à deux étapes fonctionne et puisse tenir sur un dispositif à bas coût, la croyance commune selon laquelle les systèmes en cascade fournissent automatiquement des gains de vitesse massifs doit être abordée avec prudence. Le gain de vitesse observé était principalement le résultat d'une gestion efficace des données, et non du filtrage lui-même. Pour les usines souhaitant adopter cette technologie, l'étape suivante la plus efficace n'est pas nécessairement de construire un détecteur plus intelligent, mais plutôt d'affiner la sensibilité de la première étape pour réduire les fausses alertes et de s'assurer que le flux de données est aussi fluide que possible. Le système sert au mieux d'assistant aux travailleurs humains, les aidant à trier les rouleaux de tissu qui nécessitent un examen plus attentif, plutôt que comme un remplacement entièrement autonome. Il prouve que l'intelligence artificielle avancée peut fonctionner sur du matériel modeste, mais montre aussi que le chemin vers la vitesse se trouve souvent dans la plomberie du système, et pas seulement dans son cerveau.