Low Cost Two-Stage Fabric Defect Detection at the Edge

Nelle frenetiche fabbriche di abbigliamento del Bangladesh, il secondo esportatore mondiale di abbigliamento pronto, la qualità del prodotto finale dipende interamente dal tessuto. Prima che un singolo camice venga tagliato, i rotoli di stoffa devono essere ispezionati per individuare buchi, macchie d'olio e fili aggrovigliati. Per decenni, questa ispezione è stata un compito umano. Gli operai stanno davanti a rotoli di tessuto in movimento, con gli occhi che scansionano le imperfezioni finché la stanchezza non si fa sentire, portando a risultati incoerenti e linee di produzione lente. Sebbene esistano macchine automatizzate, sono spesso troppo costose e voraci di energia per i piccoli e medi mulini che guidano l'economia locale. La sfida per queste fabbriche non è solo trovare i difetti, ma farlo con un computer che costi circa cento dollari e consumi pochissima elettricità. È qui che entra in gioco il lavoro dei ricercatori dell'Università di Dacca, che tentano di costruire un sistema capace di vedere ciò che un occhio umano stanco potrebbe perdere, ma senza il costo di un supercomputer.

I ricercatori hanno affrontato questo problema con una strategia mutuata da decenni di storia della computer vision: non controllare tutto con il tuo strumento più potente. Invece, usa un filtro rapido ed economico per filtrare gli articoli ovvi e normali, e riserva il lavoro pesante per le poche cose che sembrano sospette. Hanno costruito un sistema a due stadi per testare questa idea. Il primo stadio è un programma compatto e leggero progettato per riconoscere come appare un tessuto "normale". Se il tessuto sembra normale, il sistema scarta l'immagine e passa oltre. Se il tessuto sembra strano, il sistema lo segnala e lo invia a un secondo programma, più potente, che identifica esattamente quale sia il difetto. L'intero processo è stato implementato su un dispositivo piccolo e accessibile chiamato NVIDIA Jetson Nano, progettato per eseguire compiti complessi in luoghi dove i grandi server non possono andare.

Il team ha addestrato il loro primo stadio su migliaia di immagini di tessuto perfetto, insegnandogli a ricostruire l'immagine del tessuto nella sua mente. Quando il tessuto è perfetto, la ricostitura è facile e accurata. Quando c'è un difetto, il sistema fatica a ricreare l'immagine, e questa difficoltà segnala un'anomalia. Per rendere questo screening più efficace, hanno aggiunto alcuni trucchi intelligenti al software, come concentrarsi maggiormente sui bordi del tessuto dove i difetti spesso si nascondono e apprendere da un sistema esperto pre-addestrato per comprendere meglio cosa sia un difetto. Questo primo stadio agisce come un guardiano. Nei loro test, questo guardiano ha segnalato tutte le venti immagini difettose in un set specifico di duecentoquarantanove immagini, ma i ricercatori avvertono che questo risultato è un esito di calibrazione in-sample piuttosto che una stima indipendente provata, con un ampio intervallo di confidenza che suggerisce che il richiamo (recall) reale potrebbe essere inferiore. Tuttavia, non è stato perfetto nell'ignorare i pezzi buoni; ha segnalato quasi la metà del tessuto pulito come sospetto, costringendo il secondo stadio a lavorare più duramente di quanto sperato.

Il secondo stadio utilizza un noto sistema di rilevamento oggetti per esaminare le immagini segnalate e individuare l'esatta posizione del buco, della macchia d'olio o dell'errore del filo. Poiché questo stadio è computazionalmente più costoso, i ricercatori speravano che, filtrando prima le immagini normali, il sistema sarebbe stato molto più veloce complessivamente. Hanno misurato la velocità del loro sistema a due stadi rispetto a un sistema che eseguiva il rilevatore pesante su ogni singola immagine. Il sistema a due stadi era effettivamente più veloce, elaborando circa tredici immagini e mezzo al secondo rispetto alle meno di dieci del sistema basato solo sul rilevatore pesante. Questo miglioramento sembrava un successo, ma i ricercatori hanno deciso di scavare più a fondo per capire esattamente da dove derivasse quella velocità.

Ciò che hanno scoperto è sorprendente e importante per chiunque cerchi di costruire sistemi simili. Quando hanno analizzato il tempo speso per ogni compito, hanno scoperto che l'accelerazione non derivava principalmente dallo saltare il rilevatore pesante. Derivava invece da come il computer gestiva le immagini. Il sistema era in grado di leggere il file dell'immagine dal disco e processare l'immagine successiva contemporaneamente, nascondendo efficacemente il tempo necessario per caricare i dati. Il vero risparmio derivante dal saltare il rilevatore pesante era piuttosto piccolo, rappresentando meno del dieci per cento del guadagno totale di velocità. Il motivo di questo piccolo risparmio era che il primo stadio stava ancora inviando così tanti falsi allarmi che il secondo stadio doveva comunque lavorare su più della metà delle immagini.

Questa scoperta sposta il focus del problema. I ricercatori si sono resi conto che su questo specifico tipo di piccolo computer, il collo di bottiglia non è l'intelligenza del rilevatore, ma la velocità con cui le immagini possono essere immesse in esso. Il sistema passava più tempo a caricare le immagini che ad analizzarle. Inoltre, poiché il primo stadio inviava così tanti falsi allarmi, il sistema non stava realmente sfruttando la rarità dei difetti. I ricercatori hanno calcolato che se avessero potuto calibrare il primo stadio per essere più attento e inviare meno falsi allarmi, il sistema avrebbe potuto risparmiare significativamente più tempo, riducendo potenzialmente il lavoro del secondo stadio di quasi la metà. Tuttavia, rendere il primo stadio più attento comporta il rischio di mancare difetti reali, un compromesso che richiede un bilanciamento accurato.

Lo studio conclude che, sebbene questo sistema a due stadi funzioni e possa essere ospitato su un dispositivo a basso costo, la comune convinzione che i sistemi a cascata forniscano automaticamente enormi accelerazioni debba essere vista con cautela. Il guadagno di velocità osservato è stato principalmente il risultato di una gestione efficiente dei dati, non del filtraggio stesso. Per le fabbriche che desiderano adottare questa tecnologia, il passo successivo più efficace non è necessariamente costruire un rilevatore più intelligente, ma piuttosto affinare la sensibilità del primo stadio per ridurre i falsi allarmi e garantire che la pipeline dei dati sia il più fluida possibile. Il sistema serve al meglio come assistente ai lavoratori umani, aiutandoli a dare priorità ai rotoli di tessuto che necessitano di un esame più attento, piuttosto che come sostituto completamente autonomo. Dimostra che l'intelligenza artificiale avanzata può girare su hardware umile, ma mostra anche che la strada verso la velocità si trova spesso nella gestione dei flussi del sistema, non solo nel suo cervello.