💻 computer science

LIBAD: A Multimodal Anomaly Detection Benchmark for Li-Ion Battery Electrode Manufacturing

Dit artikel introduceert LIBAD, de eerste multimodale anomaliedetectie-benchmark voor de productie van lithium-ion batterijelektroden die uitdagingen in continue productieprocessen en cross-modale inconsistentie aanpakt, naast de voorgestelde DA-Core methode die de detectie nauwkeurigheid en efficiëntie aanzienlijk verbetert door de selectie van normale feature coreset te optimaliseren.

Oorspronkelijke auteurs: Wenbo Sui, Daniel Lichau, Harold Phelippeau, Zhao Liu

Gepubliceerd 2026-08-11

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Wenbo Sui, Daniel Lichau, Harold Phelippeau, Zhao Liu

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

Stel je voor dat je een rechercheur bent die een dief probeert te vangen in een enorme, hoogtechnologische fabriek. Normaal gesproken, wanneer we denken aan fabrieksinspecties, zien we een robotarm voor ons die een enkel, afzonderlijk object controleert — zoals een automotor of een smartphone — op zoek naar krassen of deuken. Dit wordt "discrete" productie genoemd. Maar wat als de fabriek geen individuele items maakt? Wat als het een gigantische, continue lopende band is die kilometers aan materiaal uitspuugt, zoals een eindeloze rol behang? Dit is "procesproductie", en dit is veel moeilijker te controleren. In deze wereld is de "dief" een minuscuul defect verborgen in het materiaal, en de "rechercheur" is een computer vision-systeem. De uitdaging is dat deze systemen vaak vertrouwen op twee ogen: één die het oppervlak ziet (zoals een gewone camera) en één die van binnenuit kijkt (zoals een röntgenfoto). In veel fabrieken zijn deze twee ogen het perfect met elkaar eens. Maar in de wereld van lithium-ion batterijen zijn ze vaak het oneens. Het ene oog ziet een fout duidelijk, terwijl het andere helemaal niets ziet. Dit artikel duikt in deze verwarrende, rommelige realiteit om te zien of we computers kunnen leren om betere rechercheurs te zijn wanneer hun ogen het niet met elkaar eens zijn.

De onderzoekers achter deze studie, Wenbo Sui en hun team, realiseerden zich dat hoewel we geweldige hulpmiddelen hebben voor het controleren van individuele objecten, we heel slecht zijn in het controleren van continue rollen batterijmateriaal. Om dit op te lossen, bouwden ze iets nieuws genaamd LIBAD. Denk aan LIBAD als een enorme, gespecialiseerde trainingsschool voor AI-rechercheurs. Het is de eerste ooit bestaande benchmark (een gestandaardiseerde test) die specif으로 is ontworpen voor het opsporen van defecten in de elektroden van lithium-ion batterijen terwijl deze worden geproduceerd op een echte, draaiende productielijn.

De "school" maakt gebruik van 744 realistische monsters van batterijelektrode-patches. Dit zijn geen nep computergegenereerde afbeeldingen; het zijn fysieke stukken die zijn afgesneden van echte productielijnen. De studenten (de AI-algoritmen) worden getraind met drie verschillende "zintuigen":

VIS (Zichtbaar Licht): Een hoogresolutie zwart-wit camera die de oppervlaktestructuur ziet, zoals een mens die naar een stuk papier kijkt.
X-rayH (Hoogresolutie Röntgen): Een supergedetailleerde interne scan, zoals een medische CT-scan, die de interne structuur laat zien maar lang duurt.
X-rayL (Laagresolutie Röntgen): Een snellere, iets wazigere interne scan die kan worden gebruikt terwijl de band beweegt (inline), wat praktisch is voor echte fabrieken.

De grote twist in dit verhaal is dat deze "ogen" vaak verschillende dingen zien. In een normale fabriek is een kras misschien zichtbaar voor zowel de camera als de röntgenfoto. Maar bij de productie van batterijen kan een defect een klein luchtbelletje diep in het materiaal zijn. De röntgenfoto ziet het duidelijk, maar de oppervlaktecamera ziet niets. Omgekeerd kan een kras aan het oppervlak duidelijk zijn voor de camera, maar onzichtbaar voor de röntgenfoto. Dit creëert een "cross-modale inconsistentie", waarbij het bewijs sterk is in één zintuig maar zwak of afwezig is in het andere. De auteurs ontdekten dat bestaande AI-methoden, die getraind zijn met de verwachting dat beide ogen het met elkaar eens zijn, in de war raakten en begonnen te schreeuwen "DIEF!" bij volkomen goede batterij-patches. Ze produceerden te veel valse alarmen.

Om dit op te lossen, stelde het team een nieuwe methode voor genaamd DA-Core. Stel je voor dat je probeert te onthouden hoe een "perfecte" batterijpatch eruitziet. Een standaardmethode (genaamd Farthest Point Sampling) probeert voorbeelden te kiezen die zo verschillend mogelijk van elkaar zijn om alle mogelijkheden te dekken. De auteurs realiseerden zich echter dat dit was als een detective die alleen de zeldzame, vreemd uitziende normale patches onthoudt en de gewone, alledaagse patches vergeet. Omdat de "normale" batterijpatches zo erg op elkaar lijken (homogeen zijn), zijn de zeldzame patches makkelijk te spotten, maar het zijn juist de gewone patches waar de echte problemen liggen. Als de AI niet genoeg voorbeelden heeft van de algemene "normale" look, raakt hij bang en denkt hij dat een normale patch een defect is.

DA-Core verandert de strategie. In plaats van alleen te zoeken naar de meest verschillende voorbeelden, zoekt het naar de meest dichte clusters van normale voorbeelden. Het is als een detective die beseft: "De meeste normale patches zien er precies zo uit als deze groep van 100," en ervoor zorgt dat hij die groep grondig onthoudt. Door aandacht te besteden aan waar de normale data zich verzamelt, bouwt DA-Core een beter geheugenbank.

De resultaten van hun experimenten waren veelbelovend maar voorzichtig. Wanneer ze hun nieuwe methode testten tegen de oude methoden met de praktische opstelling van Zichtbaar Licht plus de snelle Laagresolutie Röntgen, hadden de oude methoden een fout-positief-percentage (zeggen dat een goede batterij slecht is) van ongeveer 60,4%. Dit betekent dat als je 100 goede batterijen zou controleren, de oude AI er onterecht ongeveer 60 zou afwijzen, wat een ramp is voor een fabriek. DA-Core slaagde erin dit aantal te verlagen naar 54,3%. Hoewel dat misschien niet als een enorme sprong klinkt, is het verminderen van valse alarmen in de industriële inspectie een enorme zaak. Het suggereert dat door te begrijpen hoe de data geclusterd is, we de AI minder schrikachtig kunnen maken.

Het artikel sloot ook enkele populaire ideeën expliciet uit. Ze vonden dat methoden die ontworpen zijn om afbeeldingen te "reconstrueren" (waarbij de AI probeert het plaatje vanuit het geheugen opnieuw te tekenen en te zien wat er ontbreekt) hier faliekant faalden. Omdat het oppervlak en de binnenkant zo verschillend zijn, kon de AI niet begrijpen hoe een "normaal" gecombineerd beeld eruit moest zien, wat leidde tot verwarring. Ook werkten methoden die vertrouwen op de relatie tussen 3D-vormen en oppervlaktekleuren (gangbaar bij de inspectie van auto's of telefoons) niet, omdat batterij-elektroden platte vellen zijn en geen 3D-objecten met complexe geometrie.

Uiteindelijk suggereren de auteurs dat LIBAD nog steeds een zeer grote uitdaging is. Zelfs met hun nieuwe methode is het fout-positief-percentage nog steeds te hoog om een fabriek zonder menselijke hulp te laten draaien. Ze concluderen dat we niet simpelweg oplossingen uit andere industrieën kunnen kopiëren en plakken; we moeten systemen ontwerpen die begrijpen op welke specifieke, rommelige manier batterijdefecten zich over verschillende soorten sensoren heen verbergen en openbaren. Het is een stap voorwaarts, die suggereert dat als we veiligere elektrische voertuigen en energieopslag willen, we onze AI-detectives moeten leren om naar de stille aanwijzingen te luisteren, en niet alleen naar de luide.

Technische Samenvatting: LIBAD: Een Multimodale Benchmark voor Anomaliedetectie in de Productie van Li-ion Batterijelektroden

Probleemstelling

Industriële anomaliedetectie (IAD) heeft zich traditioneel gericht op discrete, object-gecentreerde producten met sterk gecorreleerde RGB- en 3D-modaliteiten. Echter, continue procesproductie, zoals roll-to-roll productie, blijft onderbelicht. Bovendien gaan bestaande multimodale benchmarks er vaak van uit dat anomalieën consistente bewijslast leveren over alle sensormodaliteiten heen. Deze aanname faalt in scenario's waar modaliteiten verschillende fysieke eigenschappen meten (bijv. oppervlakte-uiterlijk versus bulkdichtheid), wat leidt tot "cross-modale anomalie-inconsistentie", waarbij een defect zichtbaar is in één modaliteit maar zwak of afwezig is in een andere.

Het artikel adresseert deze hiaten door LIBAD te introduceren, een benchmark voor de productie van Li-ion batterijelektroden. De dataset benadrukt twee kritieke uitdagingen:

Context van Procesproductie: In tegenstelling tot discrete objecten vertonen elektrode-patches een zeer homogene materiaalverschijning, waardoor subtiele intra-klasse variaties moeilijk te onderscheiden zijn van defecten.
Modaliteitsinconsistentie: Defecten kunnen prominent aanwezig zijn in zichtbaar licht (VIS) beeldvorming, maar onzichtbaar in röntgenstraling, of vice versa. Bestaande methoden die vertrouwen op cross-modale reconstructie of RGB-3D priors (verschijnings-geometrie consistentie) worstelen in deze setting, omdat ze modale verschillen in normale samples vaak interpreteren als anomalieën, wat resulteert in hoge fout-positief ratio's (FPR).

Methodologie

De auteurs stellen DA-Core voor, een geheugen-gebaseerde anomaliedetectiemethode die is ontworpen om de specifieke distributie van normale kenmerken in LIBAD te verwerken.

1. Dataset Constructie (LIBAD):

Databron: 744 elektrode-patches verzameld uit echte roll-to-roll productielijnen.
Modaliteiten: Drie ruimtelijk uitgelijnde modaliteiten:
- VIS: Dubbelzijdige grayscale beeldvorming met zichtbaar licht (oppervlakte-uiterlijk).
- X-rayH: Hoog-resolutie röntgenradiografie (gebruikt offline voor labeling en analyse).
- X-rayL: Laag-resolutie inline röntgenradiografie (gevoelig voor dichtheid, gebruikt voor de benchmark).
Kenmerken: 11 defectcategorieën. De dataset benadrukt dat normale patches visueel homogeen zijn en dat bewijs voor defecten vaak modaliteit-specifiek is.

2. DA-Core Architectuur:
DA-Core verbetert standaard geheugen-gebaseerde benaderingen (zoals PatchCore) door het coreset selectieproces te modificeren.

Feature Extractie: Gebruikt bevroren DINOv3 ViT-S/16 encoders om patch-niveau kenmerken te extraheren uit VIS en X-rayL inputs.
Density-Aware Coreset Selectie (DA FPS):
- Standaard Farthest Point Sampling (FPS) geeft prioriteit aan globale dekking maar negeert lokale feature-dichtheid, waardoor dichte clusters van normale variaties vaak ondervertegenwoordigd blijven.
- DA-Core introduceert een dichtheidsscore ( $\rho_i$ ) voor elk kenmerk op basis van de $k$ -nearest neighbors.
- De selectiemetriek combineert de afstand tot de huidige memory bank ( $r_i$ ) en de lokale dichtheid ( $\rho_i$ ): $q_i = \tilde{r}_i / (1 + \lambda \tilde{\rho}_i)$ .
- Deze strategie zorgt ervoor dat de memory bank representatieve fragmenten behoudt uit dichte normale regio's, waardoor de afstand tot de nearest-neighbors voor veelvoorkomende normale variaties wordt verkleind en fout-positieven worden onderdrukt.
Scoring & Fusie:
- Anomalie-scores worden berekend via nearest-neighbor matching voor elke modaliteit.
- Een One-Class Support Vector Machine (OCSVM) voert late fusie uit van de VIS en X-rayL scores om de uiteindelijke image-level anomalie-score te genereren.

Belangrijkste Bijdragen

LIBAD Benchmark: De eerste multimodale IAD-benchmark voor de productie van Li-ion batterijelektroden, met 744 real-world samples, drie uitgelijnde modaliteiten en 11 defectcategorieën. Het adresseert expliciet de uitdagingen van continue procesproductie en modaliteit-afhankelijke defectzichtbaarheid.
Karakterisering van Inconsistentie: Het artikel identificeert en analyseert "cross-modale anomalie-inconsistentie", en toont aan dat bewijs voor defecten vaak modaliteit-selectief is in plaats van gedeeld, wat de aannames van bestaande RGB-3D methoden uitdaagt.
DA-Core Methode: Een dichtheid-bewuste coreset selectiestrategie die een meer representatieve memory bank construeert uit niet-uniforme normale feature-distributies. Het balanceert expliciet tussen globale dekking en lokale dichtheid om fout-positieven te verminderen.
Uitgebreide Benchmarking: Evaluatie van representatieve multimodale IAD-methoden (inclusief M3DM, CFM, G2SF, CFR) onder een uniform protocol, waarbij wordt aangetoond dat hun overdraagbaarheid naar de LIBAD-setting beperkt is.

Resultaten

Baseline Prestaties: Bestaande multimodale methoden (geadapteerd voor VIS+X-rayL) tonen een beperkte overdraagbaarheid. Zo behaalde G2SF een FPR95 van 59,5%, en CFR bereikte 68,1%, wat nauwelijks verbetering betekent ten opzichte van unimodale PatchCore (60,4% FPR95). Reconstructie-gebaseerde methoden leden onder grote residuen zelfs op normale samples door de zwakke correlatie tussen modaliteiten.
DA-Core Prestaties:
- FPR95: DA-Core behaalde 54,3%, een reductie van 6,1 procentpunt vergeleken met de standaard multimodale PatchCore (60,4%).
- Efficiëntie: Bij een coreset ratio van 0,05 presteerde DA-Core beter dan het beste standaard coreset resultaat (behaald bij een ratio van 0,20), terwijl de inferentietijd met 43,9% werd verminderd (13,12 ms vs. 23,39 ms).
- Ablatie: De dichtheidsgewicht ( $\lambda$ ) bleek cruciaal; $\lambda=0,7$ leverde de beste balans tussen dekking en dichtheidsrepresentatie op.
Unimodaal vs. Multimodaal: Hoewel het combineren van VIS en X-rayL de prestaties verbeterde ten opzichte van enkelvoudige modaliteiten, kwamen de belangrijkste winsten voort uit de verbeterde geheugenconstructie (DA-Core) in plaats van de fusie-architectuur zelf.

Betekenis en Claims

Het artikel claimt dat LIBAD een belangrijke stap voorwaarts is door de focus te verschuiven van discrete objectinspectie naar continue procesproductie, waar datadistributies en modaliteitsrelaties fundamenteel verschillen.

De auteurs stellen dat LIBAD nog steeds een open en uitdagende benchmark is, waarbij zij opmerken dat zelfs de beste methode (DA-Core) een absolute FPR95 van 54,3% oplevert, wat nog steeds te hoog is voor directe industriële implementatie zonder verdere verfijning. De betekenis van het werk ligt in:

Het benadrukken dat de datadistributie (specifiek de dichtheid van normale kenmerken) en modaliteitsrelaties (inconsistentie) expliciet moeten worden overwogen bij het ontwerpen van anomaliedetectiemethoden voor procesproductie.
Het bieden van een realistisch testveld dat de beperkingen van huidige RGB-3D gecentreerde methoden blootlegt wanneer ze worden toegepast op zwak gecorreleerde sensormodaliteiten zoals VIS en röntgen.
Het voorstellen van een praktische, efficiënte oplossing (DA-Core) die het aantal valse alarmen vermindert, een cruciale vereiste voor inline inspectiesystemen, en daarmee bijdraagt aan een veiligere productie van batterijen voor elektrische voertuigen en energieopslagsystemen.