Lightweight Dual-Path Network with Dynamic Distillation for Industrial LED Defect Recognition

Nelle fabbriche che alimentano il nostro mondo moderno, milioni di minuscole luci chiamate LED vengono assemblate. Questi componenti sono gli occhi dei nostri schermi e i fari delle nostre città, ma sono fragili. Durante la produzione, possono sviluppare difetti sottili: una bolla intrappolata nella colla, un pin leggermente allentato o un granello di polvere estranea. Se questi difetti sfuggono al controllo, il prodotto finale può guastarsi, portando a sprechi costosi e tecnologia inaffidabile. Per decenni, i produttori hanno cercato di catturare questi errori utilizzando telecamere automatizzate e computer. I primi tentativi si basavano su regole rigide o semplici confronti di modelli, che spesso fallivano quando l'illuminazione cambiava o i difetti apparivano leggermente diversi. I sistemi più recenti utilizzano il deep learning, un tipo di intelligenza artificiale che impara a riconoscere i modelli studiando migliaia di esempi. Tuttavia, questi sistemi intelligenti richiedono spesso una potenza di calcolo enorme, rendendoli troppo pesanti e lenti per essere eseguiti sui piccoli e accessibili computer presenti in un frenetico reparto di fabbrica. Inoltre, i dati reali delle fabbriche sono disordinati; alcuni tipi di difetti sono comuni, mentre altri sono rari, e difetti diversi possono apparire sorprendentemente simili, confondendo anche gli algoritmi più avanzati.

Per risolvere questo problema, un team di ricercatori di diverse università cinesi ha sviluppato un nuovo sistema leggero, progettato specificamente per queste difficili condizioni industriali. Il loro approccio, dettagliato in uno studio recente, si concentra sull'insegnare a un modello informatico piccolo ed efficiente come riconoscere i difetti dei LED con alta precisione, anche quando i dati sono sbilanciati e gli indizi visivi sono deboli. Inveve di affidarsi a un unico modo rigido di guardare un'immagine, il nuovo sistema utilizza una strategia a "doppio percorso". Immaginate uno studente che studia una materia complessa: potrebbe studiare un libro di testo per avere una visione d'insieme, pur esaminando diagrammi dettagliati per i punti più fini. Questo sistema fa qualcosa di simile, eseguendo due flussi paralleli di analisi. Un flusso osserva la struttura complessiva dell'immagine, mentre l'altro si concentra su strati specifici di dettaglio. Fondamentalmente, il sistema non tratta queste due viste come ugualmente importanti per ogni singola immagine. Al contrario, utilizza un meccanismo dinamico per decidere, per ogni specifico difetto, quanto peso dare alla visione ampia rispetto alla visione dettagliata. Ciò consente al computer di adattare il proprio focus, prestando particolare attenzione ai dettagli quando due difetti diversi sembrano molto simili, o facendo affidamento sul contesto più ampio quando il difetto è evidente.

Per rendere questo piccolo sistema il più intelligente possibile, i ricercatori hanno impiegato una tecnica chiamata distillazione della conoscenza. In questo processo, un modello "insegnante" grande, potente e computazionalmente costoso viene prima addestrato per riconoscere i difetti perfettamente. Questo insegnante guida poi il modello "studente" più piccolo, che è quello destinato alla fabbrica. L'insegnante non si limita a comunicare allo studente la risposta corretta; condivide anche le sottili relazioni tra i diversi tipi di difetti e le caratteristiche specifiche che li distinguono. Lo studente impara sia dalle decisioni finali dell'insegnante, sia dai passaggi intermedi che l'insegnante ha compiuto per arrivare a tali decisioni. Questo trasferimento di conoscenza permette allo studente leggero di raggiungere un livello di accuratezza che solitamente richiede una macchina molto più grande. I ricercatori hanno testato questo metodo su due diversi set di dati: un nuovo dataset da loro costruito contenente oltre 6.000 immagini di otto diversi tipi di difetti, e un dataset pubblico utilizzato da una grande azienda tecnologica. I risultati sono stati sorprendenti. Sul loro dataset, il sistema ha identificato correttamente i difetti nel 97,17% dei casi, e sul dataset pubblico ha raggiunto un'accuratezza del 96,31%. Questi numeri rappresentano un miglioramento significativo rispetto agli altri modelli leggeri attualmente disponibili, che spesso faticano con i tipi di difetti rari e confondenti presenti nelle linee di produzione reali.

Lo studio ha affrontato anche la sfida delle risorse computazionali limitate, un fattore critico per l'impiego industriale. Sebbene il nuovo sistema sia leggermente più complesso dei modelli più semplici esistenti, rimane abbastanza piccolo da essere eseguito efficientemente su hardware standard. Elabora le immagini a una velocità di oltre 300 fotogrammi al secondo, sufficiente per tenere il passo con il ritmo rapido di una linea di produzione. I ricercatori hanno dimostrato che il sistema non si limita a memorizzare le immagini di addestramento, ma impara a generalizzare, il che significa che può identificare difetti mai visti prima con alta affidabilità. Combinando l'architettura a doppio percorso con la tecnica di distillazione della conoscenza, il team ha creato uno strumento che è allo stesso tempo potente e pratico. Questo lavoro suggerisce che il controllo qualità ad alta precisione non richiede supercomputer massicci e voraci di energia. Invece, insegnando ai modelli più piccoli come apprendere in modo più efficace dai loro contrapparti più grandi e come adattare il proprio focus dinamicamente, le fabbriche possono ottenere un migliore rilevamento dei difetti senza sacrificare velocità o efficienza. I ricercatori hanno reso il loro codice e il nuovo dataset disponibili al pubblico, invitando altri a costruire su questa base per una produzione industriale più intelligente e affidabile.