💻 computer science

Efficient Visual Anomaly Detection at the Edge: Enabling Real-Time Industrial Inspection on Resource-Constrained Devices

यह शोध पत्र PatchCore-Lite और Padim-Lite का प्रस्ताव करता है, जो लोकप्रिय विजुअल एनोमली डिटेक्शन मॉडल्स के दो मेमोरी-कुशल और कम्प्यूटेशनल रूप से अनुकूलित वेरिएंट हैं, जो मानक बेंचमार्क पर उच्च प्रदर्शन बनाए रखते हुए मेमोरी फुटप्रिंट और इन्फरेंस समय को काफी कम करके संसाधन-सीमित एज डिवाइसेस पर रियल-टाइम, निजी औद्योगिक निरीक्षण को सक्षम करते हैं।

मूल लेखक: Arianna Stropeni, Fabrizio Genilotti, Francesco Borsatti, Manuel Barusco, Davide Dalle Pezze, Gian Antonio Susto

प्रकाशित 2026-03-24

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Arianna Stropeni, Fabrizio Genilotti, Francesco Borsatti, Manuel Barusco, Davide Dalle Pezze, Gian Antonio Susto

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक व्यस्त फैक्ट्री चला रहे हैं जहाँ हर घंटे हज़ारों उत्पाद एक कन्वेयर बेल्ट से गुज़रते हैं। आपका काम यह सुनिश्चित करना है कि हर एक चीज़ एकदम सही हो। यदि किसी बोतल में दरार है या किसी धातु के नट में धागा गायब है, तो उसे तुरंत पहचाना और हटाया जाना चाहिए।

अतीत में, कारखानों में यह निरीक्षण करने के लिए क्लाउड में मौजूद "बिग ब्रेन" (विशाल मस्तिष्क) कंप्यूटरों का उपयोग किया जाता था। वे उत्पाद की एक फोटो लेते थे, उसे इंटरनेट के माध्यम से एक विशाल सर्वर फार्म में भेजते थे, सर्वर द्वारा विश्लेषण करने का इंतज़ार करते थे, और फिर जवाब वापस प्राप्त करते थे।

समस्या:
इंटरनेट पर फोटो भेजना धीमा है (तेज़ कन्वेयर बेल्ट के लिए बुरा है) और जोखिम भरा भी है (क्या होगा यदि उन फोटो में कारखाने के गुप्त डिज़ाइन हों?)। साथ ही, "बिग ब्रेन" कंप्यूटर महंगे होते हैं और उन्हें बहुत अधिक बिजली की आवश्यकता होती है।

समाधान:
इस पेपर के लेखक कहते हैं, "आइए मस्तिष्क को सीधे फैक्ट्री के फर्श पर ही रख दें!" वे चाहते हैं कि एक स्मार्ट कैमरा सिस्टम सीधे मशीन (जिसे एज/Edge कहा जाता है) पर लगाया जाए। लेकिन यहाँ एक पेंच है: फैक्ट्री की मशीनें पुराने, छोटे लैपटॉप की तरह होती हैं। उनके पास बहुत कम मेमोरी और कमजोर प्रोसेसर होते हैं। वे उस भारी, जटिल "बिग ब्रेन" सॉफ्टवेयर को नहीं संभाल सकते जो आमतौर पर यह काम करता है।

इसलिए, टीम ने लोकप्रिय निरीक्षण सॉफ्टवेयर के दो नए, सुपर-लाइटवेट (अति-हल्के) संस्करण बनाए जिन्हें PatchCore-Lite और PaDiM-Lite कहा जाता है। इन्हें मूल "बॉडीबिल्डर" मॉडल के "जिम जाने वाले" (Gym-Goer) संस्करण के रूप में समझें। इन्हें तेज़ और फिट होने के लिए छोटा किया गया है, लेकिन फिर भी ये काम करने के लिए पर्याप्त मजबूत हैं।

इसे करने का तरीका यहाँ दिया गया है, कुछ मज़ेदार उपमाओं का उपयोग करते हुए:

1. PaDiM-Lite: "सरलीकृत रेसिपी"

मूल PaDiM सॉफ्टवेयर एक मास्टर शेफ की तरह है जो ऐसी रेसिपी लिखने की कोशिश कर रहा है जो सामग्रियों के बीच होने वाली हर संभावित अंतःक्रिया (interaction) को ध्यान में रखे। यदि आपके पास 100 सामग्रियां हैं, तो शेफ गणना करता है कि सामग्री #1 कैसे #2, #3, #100 तक प्रभावित करती है, और कैसे #2, #3 को प्रभावित करती है, इत्यादि। यह अविश्वसनीय रूप से सटीक है, लेकिन इसे लिखने में बहुत समय लगता है और इसके लिए एक विशाल नोटबुक की आवश्यकता होती है।

लाइट वर्शन (Lite Version):
लेखकों ने महसूस किया कि फैक्ट्री फ्लोर के लिए, आपको यह जानने की ज़रूरत नहीं है कि प्रत्येक सामग्री का प्रत्येक अन्य सामग्री के साथ कैसे संबंध है। आपको मुख्य रूप से यह जानने की आवश्यकता है कि प्रत्येक सामग्री का अपने आप में कितना उपयोग किया जाना चाहिए।

ट्रिक: उन्होंने जटिल "क्रॉस-रिलेशनशिप" की गणना करना बंद कर दिया और केवल व्यक्तिगत सामग्रियों (गणितीय मैट्रिक्स के विकर्ण/diagonal) पर ध्यान केंद्रित किया।
परिणाम: उनकी रेसिपी बुक एक भारी विश्वकोश से घटकर एक छोटी नोटबुक बन गई। कंप्यूटर इसे 31% तेज़ी से पढ़ सकता है, और यह मशीन की मेमोरी में 77% कम जगह लेता है। यह 10-कोर्स वाले शानदार भोजन (tasting menu) से बदलकर एक त्वरित, कुशल सैंडविच की तरह है जो अभी भी बहुत स्वादिष्ट है।

2. PatchCore-Lite: "दो-चरणीय खोज"

मूल PatchCore सॉफ्टवेयर एक ऐसे लाइब्रेरियन की तरह काम करता है जिसके पास "परफेक्ट प्रोडक्ट" की तस्वीरों का एक विशाल पुस्तकालय है। जब कोई नया उत्पाद आता है, तो लाइब्रेरियन को सबसे करीबी मिलान खोजने के लिए पुस्तकालय की हर एक फोटो के साथ उसकी तुलना करनी पड़ती है। यदि पुस्तकालय में 10,000 फोटो हैं, तो हर एक उत्पाद के लिए 10,000 तुलनाएँ करनी होंगी। एक छोटे फैक्ट्री कंप्यूटर पर, यह बहुत धीमा है।

लाइट वर्शन (Lite Version):
लेखकों ने एक चतुर "दो-चरणीय खोज" रणनीति पेश की:

चरण 1 (एक मोटा स्कैन): कल्पना करें कि लाइब्रेरियन अभी वास्तविक फोटो नहीं देखता है। इसके बजाय, वे प्रत्येक फोटो के लिए एक संकुचित "इंडेक्स कार्ड" देखते हैं। ये कार्ड छोटे सारांश (जैसे बारकोड) हैं। लाइब्रेरियन उन 500 कार्डों को जल्दी से स्कैन करता है जो संभवतः एक मैच हो सकते हैं। यह बहुत तेज़ है क्योंकि कार्ड छोटे होते हैं।
चरण 2 (करीबी नज़र): अब, लाइब्रेरियन केवल उन शीर्ष 500 उम्मीदवारों को लेता है, उनके पूर्ण फोटो एल्बम खोलता है, और विस्तृत तुलना करता है।
परिणाम: 10,000 भारी फोटो एल्बम खोलने के बजाय, वे केवल 500 एल्बम खोलते हैं। वे बहुत सारा स्थान बचाते हैं (79% कम मेमोरी) क्योंकि "इंडेक्स कार्ड" बहुत कम जगह लेते हैं। यह एक सर्च इंजन का उपयोग करने जैसा है: आप परिणामों को सीमित करने के लिए कुछ कीवर्ड टाइप करते हैं, और फिर केवल सबसे प्रासंगिक परिणामों पर क्लिक करते हैं।

निचोड़ (The Bottom Line)

टीम ने इन नए "लाइट" मॉडलों का परीक्षण मानक फैक्ट्री डेटासेट्स (MVTec और VisA) पर किया।

क्या वे काम कर रहे थे? हाँ! उन्होंने भारी, धीमे संस्करणों के लगभग उतने ही अच्छे से दोषों को पहचाना।
क्या उन्होंने जगह बचाई? बहुत बड़ी मात्रा में। मेमोरी का उपयोग लगभग 80% तक गिर गया।
क्या यह तेज़ था? हाँ, विशेष रूप से PaDiM-Lite के लिए। PatchCore-Lite अपने "एज" भाई की तुलना में थोड़ा धीमा था क्योंकि इसमें दो-चरणीय खोज शामिल थी, लेकिन यह अभी भी रीयल-टाइम उपयोग के लिए पर्याप्त तेज़ था और इसने इतनी मेमोरी बचाई कि यह उन उपकरणों पर भी चल सकता था जो पहले इनमें से कोई भी मॉडल नहीं चला सकते थे।

यह क्यों मायने रखता है?
इसका मतलब है कि कारखाने अब अपनी मशीनों पर सीधे स्मार्ट, गोपनीयता-अनुकूल निरीक्षण कैमरे लगा सकते हैं। उन्हें अपना गुप्त डेटा क्लाउड पर भेजने की आवश्यकता नहीं है, उन्हें महंगे सुपरकंप्यूटर की आवश्यकता नहीं है, और वे उत्पादों के सामने से गुजरते ही तुरंत दोषों को पकड़ सकते हैं। यह "बिग ब्रेन" की बुद्धिमत्ता को "लिटिल लैपटॉप" के स्तर तक लाता है, जिससे स्मार्ट मैन्युफैक्चरिंग सभी के लिए सुलभ हो जाती है।

यहाँ शोध पत्र "Efficient Visual Anomaly Detection at the Edge: Enabling Real-Time Industrial Inspection on Resource-Constrained Devices" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

विजुअल एनोमली डिटेक्शन (VAD) औद्योगिक गुणवत्ता नियंत्रण के लिए महत्वपूर्ण है, लेकिन एज डिवाइसेस (जैसे कि उत्पादन लाइनों पर सीधे स्थित उपकरण) पर इसे तैनात करने में महत्वपूर्ण बाधाएं आती हैं।

सीमाएँ (Constraints): क्लाउड सर्वरों की तुलना में एज डिवाइसेस में मेमोरी, कंप्यूटिंग शक्ति और प्रोसेसिंग क्षमता सीमित होती है।
वर्तमान सीमाएँ: अत्याधुनिक VAD मॉडल (विशेष रूप से PatchCore और PaDiM) अत्यधिक गणनात्मक रूप से महंगे हैं।
- PaDiM: पूर्ण कोवेरियेंस मैट्रिसेस (full covariance matrices) ( $O(d^3)$ जटिलता) की गणना और इनवर्जन की आवश्यकता होती है, जो इन्फरेंस और ट्रेनिंग के लिए भारी है।
- PatchCore: फीचर वेक्टर्स के एक बड़े मेमोरी बैंक पर निर्भर करता है, जिसमें व्यापक निकटतम-पड़ोसी (nearest-neighbor) खोज की आवश्यकता होती है ( $O(K \cdot d)$ ), जो अत्यधिक मेमोरी और समय की खपत करता है।
लक्ष्य: लेखक इन उच्च-प्रदर्शन वाले मॉडलों को इस तरह अनुकूलित करने का लक्ष्य रखते हैं ताकि वे सटीकता से बहुत अधिक समझौता किए बिना स्थानीय रूप से एज डिवाइसेस पर चल सकें, जिससे वास्तविक समय (real-time), निजी और कम-विलंबता (low-latency) वाला औद्योगिक निरीक्षण सक्षम हो सके।

2. कार्यप्रणाली (Methodology)

लेखक मौजूदा मॉडलों के दो अनुकूलित संस्करण प्रस्तावित करते हैं, जो प्रारंभिक फीचर एक्सट्रैक्शन लागत को कम करने के लिए एक हल्के MobileNetV2 बैकबोन (भारी बैकबोन जैसे WideResNet50 के बजाय) का उपयोग करते हैं।

A. PaDiM-Lite (Diagonal Covariance Approximation)

मूल दृष्टिकोण: PaDiM मॉडल पूर्ण कोवेरियेंस मैट्रिक्स ( $\Sigma$ ) के साथ मल्टीवेरिएट गौसियन डिस्ट्रीब्यूशन का उपयोग करके पैच वितरण को सामान्य (normalize) करते हैं। एनोमली स्कोर महलानोबिस डिस्टेंस (Mahalanobis distance) के माध्यम से गणना किए जाते हैं, जिसके लिए मैट्रिक्स इनवर्जन की आवश्यकता होती है।
प्रस्तावित अनुकूलन: लेखक यह मान लेते हैं कि फीचर डाइमेंशन्स स्वतंत्र हैं, और पूर्ण कोवेरियेंस मैट्रिक्स को एक डायगोनल कोवेरियेंस मैट्रिक्स (मूल रूप से एक वेरिएंस वेक्टर) से बदल देते हैं।
गणितीय परिवर्तन:
- महलानोबिस डिस्टेंस मैट्रिक्स-वेक्टर गुणन से बदलकर एक एलिमेंट-वाइज समेशन (element-wise summation) में बदल जाता है:
  $M(x_{ij}) = \sum_{k=1}^{d} \frac{(x_{ij,k} - \mu_{ij,k})^2}{\sigma^2_{ij,k}}$
जटिलता में कमी:
- ट्रेनिंग: $O(d^2 \cdot N + d^3)$ से घटकर $O(d \cdot N)$ हो गई।
- इन्फरेंस: $O(d^2)$ से घटकर $O(d)$ हो गया।
- मेमोरी: $d \times d$ मैट्रिसेस को स्टोर करने की आवश्यकता समाप्त हो जाती है, केवल $d$ -डाइमेंशनल वेक्टर्स ही स्टोर होते हैं।

B. PatchCore-Lite (Product Quantization & Two-Stage Search)

मूल दृष्टिकोण: PatchCore $K$ फीचर वेक्टर्स का एक मेमोरी बैंक स्टोर करता है। इन्फरेंस में एक टेस्ट पैच और सभी $K$ वेक्टर्स के बीच यूक्लिडियन डिस्टेंस की गणना करके निकटतम पड़ोसी को खोजने की प्रक्रिया शामिल है।
प्रस्तावित अनुकूलन:
1. प्रोडक्ट क्वांटाइजेशन (Product Quantization - PQ): मेमोरी बैंक को कंप्रेस किया जाता है। फीचर वेक्टर्स को $m$ सबस्पेस में विभाजित किया जाता है। प्रत्येक सबस्पेस को $V$ सेंट्रॉइड्स (K-means के माध्यम से सीखे गए) वाले एक कोडबुक का उपयोग करके क्वांटाइज किया जाता है। पूर्ण वेक्टर्स को स्टोर करने के बजाय, सिस्टम सेंट्रॉइड्स की ओर संकेत करने वाले इंडेक्स स्टोर करता है।
2. दो-चरणीय निकटतम पड़ोसी खोज (Two-Stage Nearest Neighbor Search):
  - चरण 1 (Coarse Search): टेस्ट फीचर को क्वांटाइज किया जाता है। सिस्टम लुकअप टेबल्स का उपयोग करके सभी $K$ कंप्रेस्ड वेक्टर्स के लिए एक अनुमानित एसिमेट्रिक डिस्टेंस की गणना करता है। यह शीर्ष- $k$ उम्मीदवारों (जहाँ $k \ll K$ ) का चयन करता है।
  - चरण 2 (Fine Search): केवल शीर्ष- $k$ उम्मीदवारों को उनके क्वांटाइज्ड इंडेक्स से डिकोड (पुनर्निर्मित) किया जाता है। अंतिम एनोमली स्कोर निर्धारित करने के लिए केवल इस छोटे समूह के लिए सटीक यूक्लिडियन डिस्टेंस की गणना की जाती है।
जटिलता में कमी:
- मेमोरी: पूर्ण फ्लोट वेक्टर्स के बजाय इंडेक्स और छोटे कोडबुक्स को स्टोर करके मेमोरी में भारी कमी आती है।
- कंप्यूटेशन: खोज क्षेत्र को $O(K \cdot d)$ से घटाकर $O(K \cdot m + k \cdot d)$ कर देता है, जहाँ $m$ सबस्पेस की संख्या है और $k$ कैंडिडेट सेट का आकार है।

3. मुख्य योगदान (Key Contributions)

PaDiM-Lite: PaDiM का एक पुनर्गठन जो पूर्ण कोवेरियेंस अनुमान को डायगोनल वेरिएंस से बदल देता है, जिससे कंप्यूटेशनल जटिलता क्यूबिक/क्वाड्रेटिक से घटकर लीनियर ( $O(d)$ ) हो जाती है और मेमोरी का उपयोग काफी कम हो जाता है।
PatchCore-Lite: प्रोडक्ट क्वांटाइजेशन और टू-स्टेज सर्च रणनीति का उपयोग करने वाला एक नवीन कार्यान्वयन, जो उच्च रिट्रीवल सटीकता बनाए रखते हुए मेमोरी बैंक में भारी स्टोरेज कमी (12 $\times$ ) प्राप्त करता है।
व्यापक मूल्यांकन: विधियों को मानक औद्योगिक बेंचमार्क (MVTec AD और VisA) पर प्रमाणित किया गया है, जिसमें मानक सटीकता मेट्रिक्स (I-ROC, P-ROC) के साथ-साथ संसाधन-बाधित मेट्रिक्स (मेमोरी फुटप्रिंट, इन्फरेंस टाइम, पीक मेमोरी) पर भी ध्यान केंद्रित किया गया है।
ओपन सोर्स: भविष्य के एज-आधारित VAD अनुसंधान को समर्थन देने के लिए दोनों विधियों को MoViAD लाइब्रेरी के हिस्से के रूप में जारी किया गया है।

4. प्रयोगात्मक परिणाम (Experimental Results)

एज स्थितियों का अनुकरण करने के लिए मॉडलों का परीक्षण Intel Core i5-9600K CPU पर किया गया था।

प्रदर्शन बनाम दक्षता ट्रेड-ऑफ (Performance vs. Efficiency Trade-offs)

मेट्रिक	PaDiM-Lite बनाम PaDiM-Edge	PatchCore-Lite बनाम PatchCore-Edge
कुल मेमोरी कमी	77% (4.70 MB $\to$ 1.08 MB)	79% (7.05 MB $\to$ 1.49 MB)
मेमोरी बैंक कमी	N/A (वेरिएंस वेक्टर बनाम कोवेरियेंस)	91% (6.10 MB $\to$ 0.54 MB)
इन्फरेंस टाइम	31% तेज़ (35ms $\to$ 24ms)	धीमा (30ms $\to$ 130ms)
पिक्सेल-लेवल सटीकता (P-ROC)	मामूली गिरावट (0.97 $\to$ 0.94 MVTec पर)	न्यूनतम गिरावट (0.96 $\to$ 0.94 MVTec पर)
इमेज-लेवल सटीकता (I-ROC)	मध्यम गिरावट (0.94 $\to$ 0.85 MVTec पर)	मध्यम गिरावट (0.95 $\to$ 0.86 MVTec पर)

PaDiM-Lite: विलंबता-महत्वपूर्ण (latency-critical) अनुप्रयोगों के लिए सबसे अच्छा संतुलन प्रदान करता है। डायगोनल एप्रोक्सिमेशन स्थानिक स्थानीयकरण सटीकता (P-ROC) को सुरक्षित रखता है जबकि इन्फरेंस समय और मेमोरी को काफी कम कर देता है।
PatchCore-Lite: सबसे अधिक मेमोरी बचत प्रदान करता है, जो इसे बहुत कम स्टोरेज सीमाओं वाले उपकरणों के लिए आदर्श बनाता है। हालांकि, टू-स्टेज सर्च डिकोडिंग चरण के कारण विलंबता दंड (Latency penalty) (एज बेसलाइन की तुलना में 4 $\times$ धीमा) पेश करता है, फिर भी यह कई वास्तविक समय के परिदृश्यों के लिए व्यवहार्य है।

5. महत्व (Significance)

एज VAD की व्यवहार्यता: यह शोध पत्र सिद्ध करता है कि उच्च-प्रदर्शन वाला VAD अनिवार्य रूप से क्लाउड कंप्यूटिंग की आवश्यकता नहीं रखता है। यह संभव है कि परिष्कृत एनोमली डिटेक्शन मॉडल को संसाधन-बाधित हार्डवेयर पर सीधे तैनात किया जाए।
गोपनीयता और विलंबता: प्रोसेसिंग को एज पर ले जाकर, यह समाधान संवेदनशील विनिर्माण डेटा को क्लाउड पर भेजने की आवश्यकता को समाप्त करता है (IP सुरक्षा को बढ़ाता है) और विलंबता को कम करता है, जो तेज़ गति वाली उत्पादन लाइनों के लिए महत्वपूर्ण है।
स्केलेबिलिटी: प्रस्तावित विधियाँ औद्योगिक ऑपरेटरों को अपने एज डिवाइसेस की विशिष्ट हार्डवेयर क्षमताओं के आधार पर प्रदर्शन और संसाधन उपयोग के बीच ट्रेड-ऑफ को ट्यून करने की अनुमति देती हैं (जैसे PatchCore-Lite में निकटतम पड़ोसियों $k$ की संख्या को समायोजित करना)।
भविष्य की दिशा: यह कार्य "एज-ऑप्टिमाइज्ड" VAD के लिए एक नया आधार रेखा (baseline) स्थापित करता है, जो ध्यान शुद्ध सटीकता से हटाकर एफिशिएंसी-अवेयर एक्यूरेसी (efficiency-aware accuracy) पर केंद्रित करता है, जो वास्तविक दुनिया के औद्योगिक परिनियोजन की प्राथमिक आवश्यकता है।