DRL-Guided Neural Batch Sampling for Semi-Supervised Pixel-Level Anomaly Detection

Nelle fabbriche che costruiscono di tutto, dai circuiti stampati ai confezioni alimentari, il controllo qualità è un gioco implacabile volto a trovare l'unico elemento che non dovrebbe esserci. Per decenni, le macchine sono state addestrate per individuare questi difetti, ma affrontano un problema fondamentale: raramente viene mostto loro come appare un prodotto rotto. I difetti sono rari, costosi da creare e spesso sottili, come un graffio sottile su una superficie lucida o una minuscola scheggiatura in un componente di vetro. A causa di questa scarsità, gli ingegneri hanno tradizionalmente insegnato ai computer a imparare solo la forma di un articolo perfetto. Il computer memorizza cosa sia "normale" e, quando vede qualcosa che devia da quella memoria, lo segnala come un difetto. Tuttavia, questo approccio ha un punto cieco. Se un computer impara troppo perfettamente l'aspetto di un articolo normale, può confondersi di fronte agli errori piccoli e silenziosi che contano di più, oppure potrebbe semplicemente ignorarli perché non sembrano i grandi errori evidenti che è stato addestrato ad aspettarsi.

Un team di ricercatori dell'Università di Teheran ha proposto un nuovo modo per risolvere questo enigma, uno che va oltre la semplice memorizzazione della perfezione. Invezione di affidarsi a una memoria statica di ciò che è normale, hanno creato un sistema che impara attivamente a dare la caccia ai problemi. Il loro metodo, dettagliato in uno studio recente, combina tre strumenti distinti in un unico ciclo auto-migliorante. Primo, uno "scout" digitale si muove attraverso un'immagine, decidendo quali piccole sezioni meritino un esame più approfondito. Secondo, un motore di ricostruzione cerca di ricostruire quelle sezioni dalla memoria, evidenziando dove la memoria non corrisponde alla realtà. Terzo, un classificatore impara a leggere questi fallimenti e a tracciare una mappa precisa del difetto. Lasciando che queste tre parti comunichino tra loro, il sistema impara a trovare anomalie sottili con un livello di precisione che i metodi precedenti faticavano a raggiungere, il tutto utilizzando solo un manipolo di esempi di difetti noti per guidare il processo.

Il nucleo di questo nuovo framework è un agente digitale che agisce come un ispettore curioso. Nei sistemi tradizionali, un computer potrebbe scansionare un'intera immagine in una volta sola o guardare patch casuali senza un piano. Questo nuovo agente, invece, utilizza una tecnica chiamata apprendimento per rinforzo (reinforcement learning), che è essenzialmente un processo di apprendimento per tentativi ed errori guidato da ricompense. Immaginate una persona che cammina attraverso un grande magazzino cercando un tipo specifico di danno; non cammina in linea retta o controlla ogni singola scatola casualmente. Invece, cerca indizi, decide quale zona sembra più sospetta e poi sposta la sua attenzione lì. Questo agente digitale fa la stessa cosa. Guarda un'immagine e decide quale piccolo quadrato esaminare successivamente in base a ciò che ha appreso finora. Se sceglie un punto che aiuta il sistema a comprendere la differenza tra una parte buona e una cattiva, riceve una ricompensa. Se sceglie un punto che non aggiunge nuove informazioni, impara a evitare quell'area in futuro. Ciò permette al sistema di concentrare la sua energia sulle parti più informative dell'immagine, piuttosto che sprecare tempo su aree che sono chiaramente perfette.

Una volta che l'agente seleziona una patch, questa viene passata a un motore di ricostruzione, un tipo di rete neurale progettata per ricostruire immagini. Questo motore è stato addestrato estensivamente su campioni perfetti e privi di difetti. Quando riceve una patch da una parte buona del prodotto, può ricostruirla quasi perfettamente. Ma quando riceve una patch contenente un graffio o una scheggiatura, fatica. Poiché non ha mai visto quel particolare difetto durante il suo addestramento, non riesce a ricostruirlo accuratamente. La differenza tra ciò che il motore vede e ciò che ricostruisce crea un "profilo di perdita" (loss profile), una mappa di errori che brilla intensamente dove il difetto è nascosto. Questa mappa è la chiave del successo del sistema. Invece di cercare di indovinare il difetto direttamente dall'immagine grezza, il sistema analizza questa mappa di errori di ricostruzione, che spesso rende anche i minimi difetti molto più facili da vedere.

L'ultimo pezzo del puzzle è un predittore, una rete specializzata che prende queste mappe di errore e le trasforma in una decisione binaria chiara: questo pixel è buono, o questo pixel è cattivo. Ciò che rende unico l'approccio dei ricercatori è come questi tre componenti — lo scout, il motore e il predittore — imparano insieme. In molti tentativi precedenti di sistemi simili, le parti venivano addestrate separatamente o si affidavano a regole rigide che limitavano la loro capacità di adattamento. Qui, il sistema utilizza un approccio semi-supervisionato, il che significa che impara da un grande pool di dati normali e da un set molto piccolo di dati difettosi etichettati. I ricercatori hanno scoperto che rimuovendo certi meccanismi complessi utilizzati nelle versioni precedenti e semplificando il modo in cui il predittore impara, il sistema è diventato più stabile e migliore nel generalizzare a nuovi tipi di difetti. L'agente impara a bilanciare due necessità contrastanti: esplorare nuove aree dell'immagine per trovare punti problematici sconosciuti ed esplorare le aree che già sa essere sospette per perfezionare il rilevamento.

I risultati di questo approccio sono stati testati su una collezione di immagini industriali ampiamente utilizzata nota come dataset MVTec AD, che contiene foto ad alta risoluzione di vari oggetti e texture, da cavi e spazzolini da denti a pillole e tavole di legno. I ricercatori hanno confrontato il loro metodo con diverse tecniche leader, inclusi modelli di deep learning standard e altri sistemi avanzati basati sulla ricostruzione. Il nuovo framework ha costantemente superato questi concorrenti. In media, ha migliorato la capacità di identificare e localizzare correttamente i difetti di un margine significativo. Nei casi più impegnativi, dove i difetti erano estremamente sottili, il nuovo metodo ha mostrato un miglioramento drammatico, raggiungendo punteggi di accuratezza superiori rispetto ad altri sistemi e rilevando difetti che i metodi precedenti faticavano a localizzare efficacemente. Ad esempio, nei test riguardanti transistor e spazzolini da denti, l'accuratezza del sistema è salita ben al di sopra dei migliori risultati precedenti, dimostrando che la strategia di campionamento adattivo ha mirato efficacemente alle aree corrette.

Oltre a trovare i difetti, il sistema eccelleva anche nel precisare esattamente dove si trovassero. In contesti industriali, sapere che un prodotto è difettoso non basta; la macchina deve sapere esattamente quale parte della superficie è danneggiata affinché possa essere riparata o scartata. I ricercatori hanno dimostrato che il loro metodo produce mappe del danno più pulite e precise. I risultati visivi hanno mostrato confini netti attorno ai graffi e definizioni chiare di parti mancanti, anche in texture complesse come la venatura del legno o le griglie metalliche. Questa precisione è cruciale perché riduce il numero di falsi allarmi, in cui un articolo perfetto viene erroneamente rifiutato, e assicura che i difetti reali non vengano trascurati. Il sistema ha raggiunto questo alto livello di prestazione senza richiedere enormi quantità di dati difettosi etichettati, che rappresentano spesso il collo di bottiglia principale nell'automazione industriale.

Lo studio ha inoltre evidenziato l'importanza di come il sistema venga addestrato. I ricercatori hanno scoperto che se le diverse parti del sistema non venissero introdotte l'una all'altra nel giusto ordine, l'intero processo potrebbe diventare instabile. Hanno sviluppato un programma di addestramento specifico in cui il motore di ricostruzione impara per primo, seguito dal predittore e infine dall'agente che seleziona le patch. Questo approccio passo dopo passo ha permesso a ciascun componente di stabilizzarsi prima di affrontare la complessità aggiuntiva degli altri. Al termine dell'addestramento, il sistema aveva imparato una strategia sofisticata per scansionare le immagini, una che era molto più efficiente ed efficace rispetto al semplice scansionare tutto o fare ipotesi casuali. I ricercatori hanno notato che, sebbene il sistema sia più complesso da configurare rispetto a un semplice scanner, il compromesso è un rilevatore molto più robusto e affidabile in grado di gestire le sottili variazioni del mondo reale presenti nelle fabbriche reali.

Questo lavoro rappresenta un cambiamento nel modo in cui le macchine imparano a vedere. Invece di cercare di forzare un computer a memorizzare ogni possibile modo in cui un prodotto può rompersi, i ricercatori gli hanno insegnato a essere curioso. Dando al sistema la capacità di scegliere cosa guardare e come imparare dai propri errori, hanno creato uno strumento che è sia potente che adattabile. Le scoperte suggeriscono che il futuro del controllo qualità potrebbe non risiedere in database più grandi di parti rotte, ma in algoritmi più intelligenti che sanno come trovare l'ago nel pagliaio imparando a guardare nei posti giusti. Il successo di questo metodo su un set diversificato di immagini industriali indica che potrebbe essere uno strumento prezioso per i produttori che desiderano migliorare i loro processi di ispezione senza il costo proibitivo di raccogliere migliaia di campioni difettosi.