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

Dans le monde trépidant de la fabrication moderne, la différence entre un produit parfait et un produit défectueux tient souvent à un seul défaut minuscule. Une rayure microscopique sur un circuit imprimé, une fissure capillaire dans un boîtier métallique ou une légère décoloration sur un dispositif médical peuvent rendre un article inutile, voire dangereux. Pendant des décennies, les usines se sont appuyées sur des systèmes automatisés pour détecter ces erreurs, mais apprendre à un ordinateur à repérer un défaut est un défi paradoxal. Pour apprendre à quoi ressemble un défaut, une machine doit généralement voir des milliers d'exemples d'articles cassés. Pourtant, dans une usine bien gérée, les articles cassés sont rares. Ils sont l'exception, pas la règle. Cette rareté rend extrêmement difficile l'entraînement de l'intelligence artificielle pour qu'elle reconnaisse toutes les manières possibles dont un produit peut mal tourner. Par conséquent, de nombreux systèmes ne sont entraînés que sur des articles parfaits et normaux, apprenant à repérer tout ce qui s'écarte de la norme. Bien que cela fonctionne pour les problèmes connus, le système peine lorsqu'un nouveau type de dommage inattendu apparaît, ou lorsqu'une usine doit ignorer des imperfections mineures qui sont en réalité acceptables.

Une équipe de chercheurs de l'Université nationale de Chungbuk en Corée du Sud a proposé une nouvelle approche pour résoudre ce dilemme, offrant un moyen d'apprendre aux machines à voir les défauts plus clairement sans avoir besoin de piles interminables d'échantillons cassés. Ils appellent leur système RAUDI, un cadre qui combine deux manières différentes d'apprendre en un outil unique et flexible. Au lieu de forcer l'ordinateur à choisir entre apprendre à partir d'articles parfaits ou de produits défectueux, RAUDI utilise deux « têtes » ou voies parallèles. Une voie apprend strictement à partir d'images de produits parfaits, cherchant tout ce qui ne correspond pas au modèle. L'autre voie est conçue pour apprendre à partir d'images défectueuses lorsqu'elles sont disponibles, ou à partir de faux défauts soigneusement élaborés lorsque les vrais manquent. En fusionnant les enseignements de ces deux voies, le système peut détecter une plus grande variété de problèmes et, surtout, peut être réglé pour ignorer les imperfections mineures qu'une usine pourrait considérer comme acceptables, en se concentrant uniquement sur les défauts critiques qui comptent.

Le cœur de cette innovation réside dans la manière dont le système traite les données qu'il reçoit. La première voie opère selon le principe de la reconstruction. Imaginez montrer à un ordinateur des milliers de photos d'une surface parfaite et sans imperfection. L'ordinateur apprend à reconstruire ces images dans son esprit, comprenant exactement à quoi ressemble une surface normale. Lorsqu'il voit une nouvelle image avec une rayure, il essaie de la reconstruire comme si elle était parfaite, mais la rayure perturbe le processus. L'ordinateur échoue à reconstruire correctement cet endroit spécifique, et cet échec signale une anomalie. Cette méthode est excellente pour trouver des défauts inconnus car elle repose sur ce qui n'est pas normal. Cependant, elle présente un angle mort : elle ne peut pas distinguer une fissure critique d'une rayure inoffensive, ni s'améliorer si elle manque un type spécifique d'erreur.

Pour corriger cela, les chercheurs ont ajouté une seconde voie qui apprend à partir des défauts eux-mêmes. Dans de nombreux contextes industriels, les entreprises possèdent certes quelques images de produits cassés, mais les étiqueter est coûteux et chronophage. Pour surmonter cela, l'équipe a développé une méthode ingénieuse pour générer des faux défauts réalistes. Ils ont utilisé une technique appelée segmentation par superpixels, qui décompose une image en petits patchs cohérents en termes de couleur, ressemblant à la structure naturelle de l'objet. Au lieu de simplement coller du bruit aléatoire sur une photo, le système sélectionne ces patchs naturels et les étend d'une manière qui imite la façon dont les dommages réels se propagent sur une surface. Cela crée des défauts synthétiques qui ressemblent et se comportent comme les vrais, permettant à la seconde voie d'apprendre à partir d'une vaste bibliothèque d'exemples sans avoir besoin qu'un humain en étiquette chacun d'entre eux.

La brillance du système RAUDI réside dans la manière dont il empêche ces deux voies de travailler l'une contre l'autre. Si un ordinateur est entraîné à voir un défaut et qu'on lui demande ensuite de « reconstruire » l'image, il pourrait accidentellement apprendre à réparer le défaut, effaçant ainsi l'élément même qu'il est censé trouver. Les chercheurs ont résolu ce problème en concevant la seconde voie pour qu'elle produise une carte indiquant où se trouvent les défauts, plutôt que d'essayer de reconstruire l'image. Elle apprend à mettre en évidence les zones endommagées tout en ignorant le reste, garantissant que le système reste aiguisé et concentré sur le problème. Lorsque le système est prêt à inspecter un nouveau produit, il combine les résultats des deux voies. La première voie jette un large filet, capturant tout ce qui est inhabituel, tandis que la seconde voie affine la concentration, confirmant quels endroits inhabituels sont réellement des défauts critiques.

Les résultats de cette double approche sont frappants. Lors de tests sur un benchmark standard contenant des images de divers produits industriels, le système a atteint une précision de détection de 99,3 % et une précision de localisation de 73,1 %, ce qui signifie qu'il ne savait pas seulement qu'un défaut était présent, mais pouvait localiser son emplacement avec une grande précision. Dans un ensemble de données spécifiquement conçu pour l'apprentissage supervisé, où des images de produits défectueux réels étaient disponibles pour l'entraînement, le système a atteint une précision de 86,4 % dans la localisation des défauts, surpassant les méthodes de pointe précédentes. Plus important encore, le système a prouvé sa flexibilité sur un ensemble de données du monde réel d'images de soudage de membranes fourni par un partenaire industriel. Dans ces images, le système a réussi à distinguer les variations acceptables du processus de soudage des déséquilibres thermiques réels ou de la dégradation des matériaux, produisant des résultats qui s'alignent étroitement sur l'expertise humaine.

Ce travail suggère que l'avenir du contrôle de la qualité industrielle ne nécessite pas de choisir entre l'apprentissage non supervisé, qui est flexible mais aveugle aux besoins spécifiques de l'utilisateur, et l'apprentissage supervisé, qui est précis mais gourmand en données. En unifiant ces approches, les chercheurs ont créé un système capable de s'adapter à la réalité du terrain en usine. Il peut apprendre à partir des quelques articles cassés qu'une usine possède, ou générer des exemples réalistes pour combler les lacunes, tout en conservant la capacité de détecter des types d'erreurs entièrement nouveaux. Le système ne se contente pas de détecter que quelque chose ne va pas ; il comprend le contexte de l'erreur, permettant aux fabricants de fixer leurs propres normes pour ce qui constitue un défaut. Dans une industrie où le coût d'un défaut manqué peut être élevé, cette capacité à voir clairement, avec précision et de manière adaptative, offre une étape significative vers la garantie de la fiabilité des produits qui alimentent notre vie quotidienne.