Low Cost Two-Stage Fabric Defect Detection at the Edge

In de bruisende kledingfabrieken van Bangladesh, de op één na grootste exporteur van kant-en-klare kleding ter wereld, hangt de kwaliteit van het eindproduct volledig af van de stof. Voordat een enkel shirt wordt geknipt, moeten rollen stof worden geïnspecteerd op gaten, olievlekken en verstrengelde draden. Decennialang was deze inspectie een menselijke taak. Werknemers staan voor bewegende rollen stof, waarbij hun ogen zoeken naar imperfecties totdat vermoeidheid toeslaat, wat leidt tot inconsistente resultaten en trage productielijnen. Hoewel er geautomatiseerde machines bestaan, zijn deze vaak te duur en te energieverslindend voor de kleine en middelgrote fabrieken die de lokale economie aandrijven. De uitdaging voor deze fabrieken is niet alleen het vinden van defecten, maar dit te doen met een computer die ongeveer honderd dollar kost en op zeer weinig elektriciteit draait. Hier komt het werk van onderzoekers aan de Universiteit van Dhaka om de hoek kijken, die proberen een systeem te bouwen dat kan zien wat een vermoeid menselijk oog zou kunnen missen, maar dan zonder de kosten van een supercomputer.

De onderzoekers benaderden dit probleem met een strategie die geleend is uit decennia aan computer vision-geschiedenis: controleer niet alles met je krachtigste instrument. Gebruik in plaats daarvan een snelle, goedkige filter om de overduidelijke, normale items eruit te filteren, en bewaar het zware werk voor de weinige zaken die er verdacht uitzien. Ze bouwden een tweestapsysteem om dit idee te testen. De eerste fase is een compact, lichtgewicht programma dat ontworpen is om te herkennen hoe "normale" stof eruitziet. Als de stof normaal lijkt, verwijdert het systeem de afbeelding en gaat het verder. Als de stof vreemd lijkt, markeert het systeem deze en stuurt het naar een tweede, krachtiger programma dat identificeert wat het defect precies is. Dit hele proces werd geïmplementeerd op een klein, betaalbaar apparaat genaamd de NVIDIA Jetson Nano, die ontworpen is om complexe taken uit te voeren op plaatsen waar grote servers niet kunnen komen.

Het team trainde hun eerste fase op duizenden afbeeldingen van perfecte stof, waarbij het systeem leerde om de afbeelding van de stof in zijn geest te reconstrueren. Wanneer de stof perfect is, is de reconstructie gemakkelijk en accuraat. Wanneer er een defect is, heeft het systeem moeite met het recreëren van de afbeelding, en die moeite signaleert een anomalie. Om deze screening effectiever te maken, voegden ze een paar slimme trucjes toe aan de software, zoals het meer focussen op de randen van de stof waar defecten vaak verborgen liggen en het leren van een vooraf getraind expertsysteem om beter te begrijpen hoe een defect eruitziet. Deze eerste fase fungeert als een poortwachter. In hun tests markeerde deze poortwachter alle twintig defecte afbeeldingen in een specifieke set van tweehonderd en negenenveertig foto's, maar de onderzoekers waarschuwen dat dit een in-sample kalibratieresultaat is en geen bewezen onafhankelijke schatting, met een brede betrouwbaarheidsinterval die suggereert dat de werkelijke recall lager zou kunnen zijn. Het was echter niet perfect in het negeren van de goede stoffen; het markeerde bijna de helft van de schone stof als verdacht, waardoor de tweede fase harder moest werken dan gehoopt.

De tweede fase gebruikt een bekend objectdetectiesysteem om naar de gemarkeerde afbeeldingen te kijken en de exacte locatie van het gat, de olievlek of de draadfout aan te wijzen. Omdat deze fase computationeel zwaarder is, hoopten de onderzoekers dat het systeem, door eerst de normale afbeeldingen te filteren, in zijn geheel veel sneller zou draaien. Ze maten de snelheid van hun tweestapsysteem tegenover een systeem dat de zware detector op elke afbeelding draaide. Het tweestapsysteem was inderdaad sneller en verwerkte ongeveer dertien en een halve afbeelding per seconde, vergeleken met net onder de tien voor het systeem met alleen de zware detector. Deze verbetering leek een succes, maar de onderzoekers besloten dieper te graven om precies te begrijpen waar die snelheid vandaan kwam.

Wat zij ontdekten was verrassend en belangrijk voor iedereen die soortgelijke systemen probeert te bouwen. Toen zij de tijd besteed aan elke taak uiteenlegden, ontdekten zij dat de versnelling niet primair voortkwam uit het overslaan van de zware detector. In plaats daarvan kwam het door de manier waarop de computer de afbeeldingen afhandelde. Het systeem was in staat om het afbeeldingsbestand van de harde schijf te lezen en tegelijkertijd de volgende afbeelding te verwerken, waardoor de tijd die nodig was om de gegevens te laden, effectief werd verborgen. De werkelijke besparing door het overslaan van de zware detector was quite klein en maakte minder dan tien procent van de totale snelheidswinst uit. De reden voor deze kleine besparing was dat de eerste fase nog steeds zoveel valse alarmen stuurde dat de tweede fase alsnog op meer dan de helft van alle afbeeldingen moest draaien.

Deze bevinding verschuift de focus van het probleem. De onderzoekers realiseerden zich dat op dit specifieke type kleine computer de bottleneck niet de intelligentie van de detector is, maar de snelheid waarmee de afbeeldingen erin gevoerd kunnen worden. Het systeem besteedde meer tijd aan het laden van afbeeldingen dan aan het analyseren ervan. Bovendien, omdat de eerste fase zoveel valse alarmen stuurde, maakte het systeem niet echt gebruik van de zeldzaamheid van defecten. De onderzoekers berekenden dat als zij de eerste fase nauwkeuriger zouden afstemmen om minder valse alarmen te generen, het systeem aanzienlijk meer tijd zou kunnen besparen, wat potentieel het werk van de tweede fase met bijna de helft zou verminderen. Echter, het nauwkeuriger maken van de eerste fase brengt het risico met zich mee dat echte defecten worden gemist, een afweging die een zorgvuldige balans vereist.

De studie concludeert dat hoewel dit tweestapsysteem werkt en op een goedkoop apparaat past, de algemene overtuiging dat cascade-systemen automatisch enorme snelheidsverbeteringen bieden, met voorzichtigheid moet worden bekeken. De waargenomen snelheidswinst was vooral het resultaat van efficiënte gegevensverwerking, en niet van het filteren zelf. De snelheidswinst kwam vooral voort uit de manier waarop de computer de afbeeldingen afhandelde. De werkelijke besparing door het overslaan van de zware detector was quite klein en maakte minder dan tien procent van de totale snelheidswinst uit. De reden voor deze kleine besparing was dat de eerste fase nog steeds zoveel valse alarmen stuurde dat de tweede fase alsnog op meer dan de helft van alle afbeeldingen moest draaien.

De studie concludeert dat hoewel dit tweestapsysteem werkt en past op een goedkoop apparaat, de algemene overtuiging dat cascade-systemen automatisch enorme snelheidsverbeteringen bieden, met voorzichtigheid moet worden bekeken. De snelheidswinst die zij observeerden, was voornamelijk het resultaat van efficiënte gegevensverwerking, en niet van het filteren zelf. Voor fabrieken die deze technologie willen adopteren, is de meest effectieve volgende stap niet noodzakelijkerwijs het bouwen van een slimmere detector, maar het verfijnen van de gevoeligheid van de eerste fase om valse alarmen te verminderen en ervoor te zorgen dat de datapijplijn zo soepel mogelijk verloopt. Het systeem dient het beste als een assistent voor menselijke arbeiders, die hen helpt bij het triageren welke rollen stof een nadere blik verdienen, in plaats van als een volledig autonome vervanging. Het bewijst dat geavanceerde kunstmatige intelligentie op bescheiden hardware kan draaien, maar het laat ook zien dat de weg naar snelheid vaak te vinden is in de loodgieterswerk van het systeem, en niet alleen in de hersenen.