💻 computer science

Efficient Visual Anomaly Detection at the Edge: Enabling Real-Time Industrial Inspection on Resource-Constrained Devices

Dit paper introduceert PatchCore-Lite en PaDiM-Lite, twee geoptimaliseerde methoden voor visuele afwijkingsdetectie die door aanzienlijke reducties in geheugengebruik en inferentietijd real-time industriële inspectie op hulpbronnenbeperkte randapparaten mogelijk maken.

Oorspronkelijke auteurs: Arianna Stropeni, Fabrizio Genilotti, Francesco Borsatti, Manuel Barusco, Davide Dalle Pezze, Gian Antonio Susto

Gepubliceerd 2026-03-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Arianna Stropeni, Fabrizio Genilotti, Francesco Borsatti, Manuel Barusco, Davide Dalle Pezze, Gian Antonio Susto

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Wachtende Wachter: Hoe we defecten op de vloer kunnen vinden zonder de "Supercomputer"

Stel je voor dat je in een enorme, snelle fabriek werkt waar producten als een stroom voorbijrollen. Iedereen wil dat elk product perfect is. Maar soms zijn er kleine krasjes, vlekken of gebreken. Vroeger keek een mens met een loep naar elk product, maar dat is te traag en te duur. Dus hebben we slimme camera's en computers ingezet die automatisch kijken of er iets mis is. Dit heet Visuele Anomalie Detectie.

Het probleem? De slimme computers die dit doen, zijn vaak gigantisch. Ze zijn als een zware, stoffige serverkast die in een koelkast moet staan. Om ze te laten werken, sturen fabrieken vaak beelden naar de "Cloud" (grote computers ergens ver weg op internet). Maar dat heeft nadelen:

Privacy: Je wilt niet dat je geheime productontwerpen over het internet reizen.
Snelheid: Als het internet even trager is, duurt het te lang voordat de computer zegt: "Stop! Dit product is kapot." De productielijn stopt niet snel genoeg.

De oplossing? De slimme computer direct op de fabrieksvloer zetten, op een klein, goedkoop apparaatje (een "Edge-device"). Maar hier zit de hak: deze kleine apparaten hebben weinig geheugen en weinig kracht. Ze kunnen die zware, slimme programma's niet aan.

De Held van dit Verhaal: Twee Slimme "Lite"-Versies

De auteurs van dit papier zeggen: "Wacht even, we hoeven die zware computers niet te missen. We kunnen ze gewoon verkleinen en versnellen zonder dat ze hun slimheid verliezen." Ze hebben twee nieuwe methoden bedacht, genaamd PatchCore-Lite en PaDiM-Lite.

Hier is hoe ze dat doen, met een paar simpele vergelijkingen:

1. PaDiM-Lite: De "Lijst" in plaats van de "Grote Boek"

Stel je voor dat je een boek hebt met duizenden pagina's over hoe een perfect product eruit moet zien.

De oude manier (PaDiM): Om te checken of een nieuw product goed is, vergelijkt de computer elk detail van het nieuwe product met elk detail in dat boek. Het kijkt naar complexe verbanden tussen alle details (zoals: "als de rand blauw is, moet de hoek ook rood zijn"). Dit is als het lezen van een heel boek om één woord te vinden. Het kost veel tijd en papier (geheugen).
De nieuwe manier (PaDiM-Lite): De auteurs zeggen: "Laten we dat boek simpleren." In plaats van alle complexe verbanden te onthouden, maken we een simpele lijstje met alleen de gemiddelde kleur en de variatie. Het is alsof je in plaats van een heel boek, alleen een samenvatting van één pagina gebruikt.
Het resultaat: De computer moet niet meer rekenen met zware matrices (grote tabellen), maar doet simpele optelsommen. Het is 77% lichter en 31% sneller, terwijl het nog steeds bijna even goed ziet of er een krasje is.

2. PatchCore-Lite: De "Grote Bibliotheek" met een "Zoekhulp"

Stel je voor dat je een enorme bibliotheek hebt met foto's van perfecte producten. Als er een nieuw product komt, moet de computer in die hele bibliotheek zoeken naar de foto die het meest lijkt op het nieuwe product.

De oude manier (PatchCore): De computer loopt langs elke foto in de bibliotheek (er zijn er tienduizenden) en vergelijkt ze één voor één. Dit is als iemand die in een bibliotheek van 10.000 boeken elk boek openmaakt om te kijken of het de juiste is. Het kost enorm veel tijd en ruimte.
De nieuwe manier (PatchCore-Lite): De auteurs gebruiken een slim trucje genaamd "Product Quantization".
- Stap 1 (De Grove Zoektocht): Ze maken eerst een samenvatting van alle boeken. Ze zeggen: "Dit boek hoort bij de 'Rode' sectie, dat boek bij de 'Blauwe'." De computer zoekt eerst alleen in de 'Rode' sectie. Dit is heel snel.
- Stap 2 (De Fijne Zoektocht): Van de boeken die in de 'Rode' sectie het meest lijken, pakt de computer er maar een paar (bijvoorbeeld 50) en kijkt daar pas heel precies naar.
Het resultaat: De bibliotheek wordt 12 keer kleiner om op te slaan. De computer hoeft niet meer alles te lezen, maar zoekt slim. Het kost iets meer tijd om de laatste stap te doen (ongeveer 4 keer langer dan de snelle versie), maar het past wel op het kleine apparaatje en bespaart enorm veel ruimte.

Wat levert dit op?

De auteurs hebben deze methoden getest op echte fabrieksdata (met beelden van flessen, tegels en metalen onderdelen).

Geheugen: De nieuwe methoden gebruiken een fractie van het geheugen van de oude zware versies. Het is alsof je van een vrachtwagen naar een fiets stapt, maar die fiets kan nog steeds dezelfde last dragen.
Snelheid: Ze zijn snel genoeg om in real-time te werken op de productielijn.
Privacy: Alles gebeurt lokaal. Geen data naar de cloud, dus geen kans dat je geheimen lekken.

Conclusie
Dit papier laat zien dat we niet hoeven te kiezen tussen "slimme detectie" en "kleine apparaten". Door slimme wiskundige trucjes toe te passen (zoals het weggooien van onnodige complexe details en het slim zoeken in bibliotheken), kunnen we nu defecten vinden op de fabrieksvloer, direct, veilig en snel. Het is de toekomst van industriële inspectie: slim, lokaal en efficiënt.

Probleemstelling

Visuele afwijkingsdetectie (Visual Anomaly Detection - VAD) is cruciaal voor industriële kwaliteitscontrole om defecten automatisch te identificeren. Traditionele VAD-systemen draaien vaak in de cloud met zware hardware. Voor productielijnen is echter een verschuiving naar edge computing (lokaal op de productielijn) noodzakelijk om:

Privacy te waarborgen (geen verzending van gevoelige data naar de cloud).
Latenstie te minimaliseren voor real-time beslissingen op snelle productielijnen.

De uitdaging is dat edge-apparaten beperkte rekenkracht en geheugen hebben. Bestaande state-of-the-art VAD-modellen (zoals PatchCore en PaDiM) zijn te zwaar voor deze omgeving vanwege hun hoge geheugenvereisten (voor opslag van feature-banks) en complexe berekeningen (zoals covariantiematrices).

Methodologie

De auteurs stellen twee geoptimaliseerde varianten voor van bestaande modellen, specifiek ontworpen voor edge-apparaten, waarbij ze een MobileNetV2 backbone gebruiken in plaats van zware modellen zoals WideResNet50.

1. PaDiM-Lite (Vervanging van Covariantie)

Het originele PaDiM modelleert de verdeling van normale features met een multivariate Gaussische verdeling, wat de berekening van een volledige covariantiematrix vereist. Dit is rekenkundig duur ( $O(d^3)$ voor inversie) en geheugenintensief.

Innovatie: PaDiM-Lite vervangt de volledige covariantiematrix door een diagonale benadering (alleen variantievectoren). Hierbij wordt aangenomen dat de feature-dimensies onafhankelijk zijn.
Gevolg: De Mahalanobis-afstand wordt omgezet in een efficiënte, element-voor-element berekening.
- Complexiteit training: Daalt van $O(d^2 \cdot N + d^3)$ naar $O(d \cdot N)$ .
- Complexiteit inferentie: Daalt van $O(d^2)$ naar $O(d)$ .
- Geheugen: In plaats van een $d \times d$ matrix, wordt alleen een vector van grootte $d$ opgeslagen.

2. PatchCore-Lite (Product Quantisatie)

PatchCore slaat een "memory bank" op met features van normale trainingssamples. Voor edge-apparaten is deze bank te groot en is de nearest-neighbor zoektocht te traag.

Innovatie: De auteurs introduceren een tweestaps zoekstrategie met product quantisatie:
1. Coarse Search (Ruwe zoektocht): De gehele memory bank wordt gecomprimeerd via product quantisatie (opdeling van vectoren in subspaces en codering met centroids). De zoektocht gebeurt eerst op deze gecomprimeerde, kleine indexen.
2. Fine Search (Fijne zoektocht): Alleen de $k$ beste kandidaten uit de ruwe zoektocht worden gedecodeerd (gedequantiseerd) en exact vergeleken met de test-feature.
Gevolg: Dit reduceert de opslagruimte drastisch en beperkt de dure exacte berekeningen tot een klein subset van de data.

Belangrijkste Bijdragen

PaDiM-Lite: Een wiskundig efficiënte herschrijving die de complexiteit van de Mahalanobis-afstand reduceert zonder de kern van de detectie te verliezen.
PatchCore-Lite: Een nieuwe architectuur voor memory bank-compressie die een balans biedt tussen opslag en zoektijd via een twee-staps benadering.
Validatie: Uitgebreide evaluatie op de standaard benchmarks MVTec AD en VisA.
Open Source: Beide methoden zijn beschikbaar gesteld via de MoViAD bibliotheek.

Resultaten

De methoden zijn getest op een Intel Core i5 CPU (om edge-omstandigheden te simuleren).

PaDiM-Lite:
- Geheugen: 77% reductie in totaal geheugenverbruik (van 4,70 MB naar 1,08 MB). De extra geheugenruimte voor statistieken daalt met 97% (van 3,75 MB naar 0,13 MB).
- Snelheid: 31% snellere inferentie (van 35 ms naar 24 ms per afbeelding).
- Prestatie: Zeer vergelijkbare pixel-niveau prestaties (P-ROC 0,94 vs 0,97 voor PaDiM-Edge), met een lichte daling op afbeeldingsniveau.
PatchCore-Lite:
- Geheugen: 79% reductie in totaal geheugenverbruik ten opzichte van PatchCore-Edge (van 7,05 MB naar 1,49 MB). De memory bank zelf wordt 12x kleiner.
- Snelheid: De inferentie is trager (130 ms vs 30 ms voor PatchCore-Edge) door de noodzaak om kandidaten te dequantiseren, maar blijft acceptabel voor veel industriële toepassingen.
- Prestatie: Een daling in afbeeldingsniveau prestatie (I-ROC van 0,95 naar 0,86), maar de pixel-niveau localisatie blijft sterk. De prestaties zijn afhankelijk van het aantal $k$ -buurten dat wordt geselecteerd.

Betekenis en Conclusie

Het paper toont aan dat het mogelijk is om geavanceerde visuele afwijkingsdetectie op resource-beperkte edge-apparaten te draaien zonder afhankelijk te zijn van de cloud.

Privacy & Kosten: Eliminatie van cloud-transmissie en lagere hardware-eisen.
Real-time: De methoden maken real-time inspectie mogelijk, hoewel er een afweging (trade-off) moet worden gemaakt tussen maximale snelheid en maximale compressie.
Toepasbaarheid: De voorgestelde methoden (PatchCore-Lite en PaDiM-Lite) bieden een praktische oplossing voor industriële kwaliteitscontrole, waarbij de voordelen van edge computing (privacy, lage latentie) worden gecombineerd met voldoende detectienauwkeurigheid.