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

Nel frenetico mondo della manifattura moderna, la differenza tra un prodotto perfetto e uno difettoso spesso dipende da un singolo, minuscolo difetto. Un graffio microscopico su un circuito stampato, una crepa sottile in un involucro metallico o una leggera decolorazione su un dispositivo medico possono rendere un articolo inutile o addirittura pericoloso. Per decenni, le fabbriche si sono affidate a sistemi automatizzati per intercettare questi errori, ma insegnare a un computer a individuare un difetto è una sfida paradossale. Per imparare che aspetto ha un difetto, una macchina di solito ha bisogno di vedere migliaia di esempi di articoli rotti. Eppure, in una fabbrica ben gestita, gli articoli rotti sono rari. Sono l'eccezione, non la regola. Questa scarsità rende incredibilmente difficile addestrare l'intelligenza artificiale a riconoscere ogni possibile modo in cui un prodotto può andare storto. Di conseguenza, molti sistemi vengono addestrati solo su articoli perfetti e normali, imparando a individuare qualsiasi cosa si discosti dallo standard. Sebbene questo funzioni per i problemi noti, il sistema fatica quando appare un nuovo tipo di danno inaspettato, o quando una fabbrica ha bisogno di ignorare lievi imperfezioni che sono in realtà accettabili.

Un team di ricercatori della Chungbuk National University in Corea del Sud ha proposto un nuovo approccio per risolvere questo dilemma, offrendo un modo per insegnare alle macchine di vedere i difetti più chiaramente senza la necessità di pile infinite di campioni rotti. Chiamano il loro sistema RAUDI, un framework che combina due diversi modi di apprendimento in un unico strumento flessibile. Invece di costringere il computer a scegliere tra l'imparare da articoli perfetti o da quelli rotti, RAUDI utilizza due "teste" o percorsi paralleli. Un percorso impara rigorosamente dalle immagini di prodotti perfetti, cercando qualsiasi cosa non si adatti al modello. L'altro percorso è progettato per imparare dalle immagini difettose quando queste sono disponibili, o da difetti finti creati accuratamente quando quelli reali mancano. Fondendo le intuizioni di entrambi i percorsi, il sistema può rilevare una gamma più ampia di problemi e, cosa fondamentale, può essere tarato per ignorare piccole imperfezioni che una fabbrica potrebbe considerare accettabili, concentrandosi solo sui difetti critici che contano.

Il nucleo di questa innovazione risiede nel modo in cui il sistema gestisce i dati che riceve. Il primo percorso opera sul principio della ricostruzione. Immaginate di mostrare a un computer migliaia di foto di una superficie perfetta e immacolata. Il computer impara a ricostruire queste immagini nella sua mente, comprendendo esattamente come appare una superficie normale. Quando vede una nuova immagine con un graffio, prova a ricostruirla come se fosse perfetta, ma il graffio confonde il processo. Il computer non riesce a ricostruire correttamente quel punto specifico, e questo fallimento segnala un'anomalia. Questo metodo è eccellente per trovare difetti sconosciuti perché si basa su ciò che non è normale. Tuttavia, ha un punto cieco: non può distinguere tra una crepa critica e un graffio innocuo, né può migliorare se perde un tipo specifico di errore.

Per risolvere questo problema, i ricercatori hanno aggiunto un secondo percorso che impara dai difetti stessi. In molti contesti industriali, le aziende possiedono alcuni di immagini di prodotti rotti, ma etichettarli è costoso e richiede tempo. Per superare questo ostacolo, il team ha sviluppato un modo ingegnoso per generare difetti finti realistici. Hanno utilizzato una tecnica chiamata segmentazione superpixel, che scompone un'immagine in piccole patch coerenti per colore che assomigliano alla struttura naturale dell'oggetto. Invece di limitarsi a incollare del rumore casuale su una foto, il sistema seleziona queste patch naturali e le espande in un modo che imita come il vero danno si diffonde su una superficie. Ciò crea difetti sintetici che sembrano e si comportano come quelli reali, permettendo al secondo percorso di imparare da una vasta libreria di esempi senza la necessità che un essere umano ne etichetti ognuno.

La genialità del sistema RAUDI risiede nel modo in cui impedisce a questi due percorsi di lavorare l'uno contro l'altro. Se un computer viene addestrato a vedere un difetto e poi gli viene chiesto di "ricostruire" l'immagine, potrebbe accidentalmente imparare a riparare il difetto, cancellando di fatto proprio ciò che dovrebbe trovare. I ricercatori hanno risolto questo problema progettando il secondo percorso affinché produca una mappa di dove si trovano i difetti, invece di cercare di ricostruire l'immagine. Esso impara a evidenziare le aree danneggiate ignorando il resto, garantendo che il sistema rimanga nitido e focalizzato sul problema. Quando il sistema è pronto per ispezionare un nuovo prodotto, combina i risultati di entrambi i percorsi. Il primo percorso getta una rete ampia, catturando qualsiasi cosa di insolito, mentre il secondo percorso affina l'attenzione, confermando quali punti insoliti siano effettivamente difetti critici.

I risultati di questo approccio duplice sono sorprendenti. Quando testato su un benchmark standard contenente immagini di vari prodotti industriali, il sistema ha raggiunto un'accuratezza di rilevamento del 99,3% e un'accuratezza di localizzazione del 73,1%, il che significa che non solo sapeva che era presente un difetto, ma poteva individuare la sua posizione con alta precisione. In un dataset specificamente progettato per l'apprendimento supervisionato, dove erano disponibili immagini difettose reali per l'addestramento, il sistema ha raggiunto un'accuratezza dell'86,4% nel localizzare i difetti, superando i precedenti metodi all'avanguardia. Forse la cosa più importante è che il sistema ha dimostrato la sua flessibilità su un dataset del mondo reale di immagini di saldatura di membrane fornito da un partner industriale. In queste immagini, il sistema ha distinto con successo tra variazioni accettabili nel processo di saldatura e reali squilibri termici o degradazione del materiale, producendo risultati che si allineavano strettamente agli esperti umani.

Questo lavoro suggerisce che il futuro del controllo qualità industriale non richiede di scegliere tra l'apprendimento non supervisionato, che è flessibile ma cieco rispetto alle specifiche esigenze dell'utente, e l'apprendimento supervisionato, che è preciso ma vorace di dati. Unificando questi approcci, i ricercatori hanno creato un sistema che può adattarsi alla realtà del pavimento di fabbrica. Può imparare dai pochi articoli rotti che una fabbrica possiede, o generare esempi realistici per colmare le lacune, il tutto mantenendo la capacità di individuare tipi di errori completamente nuovi. Il sistema non si limita a rilevare che qualcosa non va; comprende il contesto dell'errore, permettendo ai produttori di stabilire i propri standard su cosa costituisca un difetto. In un settore in cui il costo di un difetto mancato può essere elevato, questa capacità di vedere chiaramente, accuratamente e in modo adattivo offre un passo significativo avanti nel garantire l'affidabilità dei prodotti che alimentano le nostre vite quotidiane.