DriftAD: Visually-Guided Text Drift for Few-Shot Industrial Anomaly Detection
DriftAD एक फ्यू-शॉट इंडस्ट्रियल एनोमली डिटेक्शन फ्रेमवर्क है जो एक विजुअली-गाइडेड टेक्स्ट ड्रिफ्ट मैकेनिज्म को पेश करके स्टैटिक टेक्स्ट प्रॉम्प्ट्स की सीमाओं को दूर करता है ताकि स्थानिक और लेयर-वार एडेप्टिव एनोमली डिस्क्रिप्टर्स को गतिशील रूप से उत्पन्न किया जा सके, जिससे MVTec-AD और VisA डेटासेट्स पर डिटेक्शन प्रदर्शन में महत्वपूर्ण सुधार होता है।
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
आधुनिक विनिर्माण की विशाल, स्वचालित दुनिया में, उत्पादों को पूर्ण बनाए रखना अदृश्य के विरुद्ध एक निरंतर संघर्ष है। मशीनें हर घंटे हजारों समान वस्तुओं को असेंबल करती हैं, लेकिन जिस क्षण धातु की सतह पर एक छोटा सा खरोंच दिखाई देता है या कपड़े में सूक्ष्म रंग का बदलाव आता है, पूरी खेप विफल होने के जोखिम में आ जाती है। दशकों से, कंप्यूटर इन दोषों को पहचानने के लिए संघर्ष कर रहे हैं क्योंकि वे दुर्लभ और अप्रत्याशित होते हैं। पारंपरिक तरीकों के लिए कंप्यूटर को यह सिखाना आवश्यक था कि हर एक प्रकार के उत्पाद के लिए "सामान्य" क्या दिखता है, जो एक धीमी और महंगी प्रक्रिया थी और जैसे ही किसी कारखाने ने कोई नया आइटम पेश किया, यह विफल हो जाती थी। हाल ही में, आर्टिफिशियल इंटेलिजेंस मॉडल का उपयोग करके एक नया दृष्टिकोण उभरा जो मूल रूप से छवियों और भाषा दोनों को समझने के लिए प्रशिक्षित किए गए थे। ये मॉडल "एक क्षतिग्रस्त बोतल" जैसे विवरण को पढ़ सकते हैं और उसे एक तस्वीर में खोज सकते हैं, जो बिना हजारों उदाहरणों की आवश्यकता के दोषों को खोजने का एक लचीला तरीका प्रदान करता है। हालाँकि, इन उन्नत प्रणालियों में भी एक अंध बिंदु (blind spot) है: वे एक दोष को एक एकल, समान विचार के रूप रूप में मानने की प्रवृत्ति रखते हैं, और यह पहचानने में विफल रहते हैं कि एक दोष अलग दिख सकता है यदि वह छवि डेटा की परतों के भीतर कहीं अलग स्थान पर हो या गहराई में बैठा हो।
नान्यांग टेक्नोलॉजिकल यूनिवर्सिटी और हुआझोंग यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं ने इस विशिष्ट कमजोरी को ठीक करने के लिए 'ड्रिफ्ट एडी' (DriftAD) नामक एक नई प्रणाली विकसित की है। उनका कार्य, जिसे 2026 एसीएम इंटरनेशनल कॉन्फ्रेंस ऑन मल्टीमीडिया के लिए प्रस्तुत किया गया है, एक ऐसा तरीका पेश करता है जिससे कंप्यूटर की दोष की समझ छवि के विभिन्न हिस्सों को देखते समय गतिशील रूप से "ड्रिफ्ट" या बदल सके। एक स्थिर, अपरिवर्तित विवरण का उपयोग करने के बजाय जो कंप्यूटर द्वारा देखे जाने वाले किसी भी दृश्य के लिए समान रहता है, ड्रिफ्ट एडी उस विवरण को स्थानीय दृश्य संदर्भ (local visual context) के आधार पर बदलने की अनुमति देता है। कल्पना कीजिए कि एक सुरक्षा गार्ड, जो संदिग्ध के एक एकल, कठोर विवरण को पकड़े रहने के बजाय, भीड़ के विभिन्न क्षेत्रों को स्कैन करते समय प्रकाश, दूरी और कोण को ध्यान में रखते हुए संदिग्ध की मानसिक छवि को वास्तविक समय में समायोजित करता है। इसी तरह, यह नई विधि एक दोष के स्थिर, अपरिवस्त विवरण को लेती है और उसे उस क्षेत्र के विशिष्ट दृश्य विवरणों से मेल खाने के लिए धीरे से मोड़ देती है जिसका वह वर्तमान में परीक्षण कर रही है।
प्रक्रिया छवि के कंप्यूटर के दृश्य को तेज करने से शुरू होती है। प्रणाली पहले विशेष शाखाओं का उपयोग करके उन सूक्ष्म संकेतों को उजागर करती है जो अन्यथा एक सामान्य उत्पाद के प्रमुख, पूर्ण पैटर्न द्वारा छिपे रह सकते हैं। यह छवि को एक स्थानिक लेंस (spatial lens) के माध्यम से देखता है, प्रत्येक छोटे पैच की उसके निकटतम पड़ोसियों के साथ तुलना करता है ताकि विचलन पाया जा सके, और एक आवृत्ति लेंस (frequency lens) के माध्यम से भी देखता है, जो छवि के अंतर्निहित पैटर्न का विश्लेषण करता है ताकि उन अनियमितताओं को पकड़ सके जिन्हें आंखें मिस कर सकती हैं। एक बार जब ये धुंधले दोष संकेत प्रवर्धित (amplify) हो जाते हैं, तो प्रणाली अपने मुख्य नवाचार में संलग्न होती है: विजुअली-गाइडेड टेक्स्ट ड्रिफ्ट (Visually-Guided Text Drift)। यहाँ, कंप्यूटर विसंगति के मानक पाठ विवरण को लेता है, और अभी-अभी प्रवर्धित किए गए दृश्य लक्षणों द्वारा निर्देशित होकर, उस विवरण को प्रत्येक विश्लेषण की एक नई, अनुकूलित संस्करण में बदल देता है। इसका अर्थ यह है कि जैसे-जैसे कंप्यूटर छवि की परतों को हटाता है, व्यापक आकृतियों से लेकर सूक्ष्म बनावट तक, एक "दोष" क्या है, इसकी परिभाषा विशिष्ट पैमाने और संभावित दोष के स्थान के अनुरूप विकसित होती जाती है।
यह सुनिश्चित करने के लिए कि ये बदलते हुए विवरण उपयोगी हों, प्रणाली उन्हें छवि को फिर से स्कैन करने के लिए जांच (probes) के रूप में उपयोग करती है। यह दृश्य विशेषताओं से पूछती है, "क्या छवि का यह भाग दोष के वर्तमान, अनुकूलित विवरण से मेल खाता है?" यदि उत्तर हाँ है, तो छवि के उस भाग को हाइलाइट किया जाता है; यदि नहीं, तो उसे अनदेखा कर दिया जाता है। यह समस्या कहाँ स्थित है, इसका एक अत्यधिक केंद्रित मानचित्र बनाता है, जो बैकग्राउंड के शोर को फ़िल्टर करता है। शोधकर्ताओं ने दो प्रमुख औद्योगिक डेटासेट्स, MVTec-AD और VisA पर इस दृष्टिकोण का परीक्षण किया, जिनमें धातु के नट से लेकर केबल और कालीन तक विभिन्न उत्पादों की हजारों छवियां शामिल हैं। उन्होंने इस प्रणाली को बहुत सीमित डेटा के साथ चुनौती दी, इसे एक पूर्ण उत्पाद के केवल एक, दो, या चार उदाहरण प्रदान किए, जिसे 'फ्यू-शॉट लर्निंग' (few-shot learning) कहा जाता है।
परिणाम निर्णायक थे। उन परीक्षणों में जो दोषपूर्ण छवियों की पहचान करने और दोष के सटीक स्थान को निर्धारित करने की क्षमता को मापते हैं, ड्रिफ्ट एडी ने हर सेटिंग में मौजूदा सभी विधियों को पछाड़ दिया। MVTec-AD डेटासेट पर, सिस्टम ने केवल एक उदाहरण के साथ 97.2 प्रतिशत का इमेज-लेवल सटीकता स्कोर और 96.8 प्रतिशत का पिक्सेल-लेवल परिशुद्धता प्राप्त किया। VisA डेटासेट पर, जिसमें अधिक जटिल और विविध दोष शामिल हैं, इसने इमेज डिटेक्शन के लिए 93.1 प्रतिशत सटीकता और दोष के विशिष्ट पिक्सेल को खोजने के लिए 97.4 प्रतिशत सटीकता प्राप्त की। ये संख्याएं एक महत्वपूर्ण छलांग का प्रतिनिधित्व करती हैं, जो पिछले सर्वोत्तम तरीकों को स्पष्ट अंतर से पीछे छोड़ देती हैं। यह अध्ययन पुष्टि करता है कि छवि के दृश्य वास्तविकता के अनुसार दोष के पाठ विवरण को बदलने और अनुकूलित करने की अनुमति देकर, मशीनें औद्योगिक दोषों का पता उस स्तर की सटीकता के साथ लगा सकती हैं जो पहले पहुंच से बाहर थी। इस दृष्टिकोण के लिए प्रत्येक नए उत्पाद के लिए पूरी प्रणाली को फिर से प्रशिक्षित करने की आवश्यकता नहीं है, जो इसे आधुनिक विनिर्माण की गतिशील आवश्यकताओं के लिए एक स्केलेबल समाधान बनाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।