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

In de bruisende wereld van de moderne productie komt het verschil tussen een vlekkeloos product en een defect product vaak neer op één enkel, minuscuul foutje. Een microscopische kras op een printplaat, een haarlijnbreuk in een metalen behuizing of een subtiele verkleuring op een medisch apparaat kan een item onbruikbaar of zelfs gevaarlijk maken. Decennialang hebben fabrieken vertrouwd op geautomatiseerde systemen om deze fouten te ontdekken, maar een computer leren om een defect te spotten is een paradoxale uitdaging. Om te leren hoe een defect eruitziet, moet een machine meestal duizenden voorbeelden van kapotte items zien. Toch zijn kapotte items in een goed draaiende fabriek zeldzaam. Ze zijn de uitzondering, niet de regel. Deze schaarste maakt het ongelooflijk moeilijk om kunstmatige intelligentie te trainen om elke mogelijke manier waarop een product mis kan gaan te herkennen. Gevolgelijk worden veel systemen alleen getraind op perfecte, normale items, waarbij ze leren om alles te herkennen dat afwijkt van de standaard. Hoewel dit werkt voor bekende problemen, heeft het moeite wanneer een nieuw, onverwacht type schade verschijnt, of wanneer een fabriek kleine imperfecties moet negeren die eigenlijk acceptabel zijn.

Een team onderzoekers aan de Chungbuk National University in Zuid-Korea heeft een nieuwe aanpak voorgesteld om dit dilemma op te lossen, een manier die machines leert om defecten duidelijker te zien zonder dat daar eindeloze stapels kapotte monsters voor nodig zijn. Ze noemen hun systeem RAUDI, een framework dat twee verschillende manieren van leren combineert tot één enkele, flexibele tool. In plaats van de computer te dwingen te kiezen tussen leren van perfecte items of kapotte items, gebruikt RAUDI twee parallelle "koppen" of paden. Het ene pad leert strikt van afbeeldingen van perfecte producten, zoekend naar alles wat niet in het patroon past. Het andere pad is ontworpen om te leren van defecte afbeeldingen wanneer deze beschikbaar zijn, of van zorgvuldig vervaardigde nepdefecten wanneer echte ontbreken. Door de inzichten van beide paden samen te voegen, kan het systeem een breder scala aan problemen detecteren en, cruciaal, kan het worden afgesteld om kleine imperfecties te negeren die een fabriek als acceptabel zou kunnen beschouwen, waarbij de focus uitsluitend ligt op de kritieke gebreken die er echt toe doen.

De kern van deze innovatie ligt in de manier waarop het systeem omgaat met de data die het ontvangt. Het eerste pad werkt volgens het principe van reconstructie. Stel je voor dat je een computer duizenden foto's laat zien van een perfect, ongeschonden oppervlak. De computer leert deze afbeeldingen in zijn geest te reconstrueren, waarbij hij precies begrijpt hoe een normaal oppervlak eruitziet. Wanneer hij een nieuwe afbeelding met een kras ziet, probeert hij deze te reconstrueren alsof deze perfect was, maar de kras verstoort het proces. De computer slaagt er niet in om die specifieke plek correct te reconstrueren, en dat falen signaleert een anomalie. Deze methode is uitstekend in het vinden van onbekende defecten omdat het leunt op wat niet normaal is. Het heeft echter een blinde vlek: het kan niet onderscheid maken tussen een kritieke scheur en een onschadelijke kras, noch kan het verbeteren als het een specifiek type fout mist.

Om dit op te lossen, voegden de onderzoekers een tweede pad toe dat leert van de defecten zelf. In veel industriële omgevingen hebben bedrijven wel enkele afbeeldingen van kapotte producten, maar het labelen ervan is duur en tijdrovend. Om dit te overwinnen, ontwikkelde het team een slimme manier om realistische nepdefecten te genereren. Ze gebruikten een techniek genaamd superpixel segmentatie, die een afbeelding opbreekt in kleine, kleurcoherente patches die lijken op de natuurlijke structuur van het object. In plaats van alleen willekeurige ruis op een foto te plakken, selecteert het systeem deze natuurlijke patches en breidt ze uit op een manier die nabootst hoe echte schade zich over een oppervlak verspreidt. Dit creëert synthetische defecten die eruitzien en zich gedragen als het echte ding, waardoor het tweede pad kan leren van een uitgebreide bibliotheek aan voorbeelden zonder dat er een mens nodig is om elk afzonderlijk exemplaar te labelen.

De genialiteit van het RAUDI-systeem ligt in de manier waarop het voorkomt dat deze twee paden tegen elkaar in werken. Als een computer wordt getraind om een defect te zien en vervolgens wordt gevraagd de afbeelding te "reconstrueren", kan hij er per ongeluk voor zorgen dat het defect wordt hersteld, waardoor het de essentie van hetgeen het juist moet vinden, effectief uitwist. De onderzoekers losten dit op door het tweede pad zo te ontwerpen dat het een kaart genereert van waar de defecten zich bevinden, in plaats van te proberen de afbeelding te reconstrueren. Het leert de beschadigde gebieden te highlighten terwijl de rest wordt genegeerd, wat ervoor zorgt dat het systeem scherp en gefocust blijft op het probleem. Wanneer het systeem klaar is om een nieuw product te inspecteren, combineert het de resultaten van beide paden. Het eerste pad werpt een breed net uit en vangt alles wat ongewoon is, terwijl het tweede pad de focus verfijnt door te bevestigen welke ongewone plekken daadwerkelijk kritieke defecten zijn.

De resultaten van deze dubbele aanpak zijn opmerkelijk. Bij tests op een standaard benchmark die afbeeldingen van diverse industriële producten bevat, behaalde het systeem een detectie-nauwkeurigheid van 99,3% en een lokalisatie-nauwkeurigheid van 73,1%, wat betekent dat het niet alleen wist dat er een defect aanwezig was, maar ook de locatie ervan met hoge precisie kon aanwijzen. In een dataset die specifiek is ontworpen voor supervised learning, waar echte defecte afbeeldingen beschikbaar waren voor training, bereikte het systeem een nauwkeurigheid van 86,4% bij het lokaliseren van defecten, waarmee het eerdere state-of-the-art methoden overtrof. Misschien wel het belangrijkste is dat het systeem zijn flexibiliteit bewees op een real-world dataset van afbeeldingen van membraanlassen, geleverd door een industriële partner. In deze afbeeldingen slaagde het systeem erin om onderscheid te maken tussen acceptabele variaties in het lasproces en werkelijke thermische onbalans of materiaaldegradatie, waarbij het resultaten produceerde die nauw aansloten bij die van menselijke experts.

Dit werk suggereert dat de toekomst van industriële kwaliteitscontrole niet vereist dat men moet kiezen tussen unsupervised learning, dat flexibel maar blind voor specifieke gebruikersbehoeften is, en supervised learning, dat precies maar data-hongerig is. Door deze benaderingen te verenigen, hebben de onderzoekers een systeem gecreëerd dat kan aanpassen aan de realiteit van de fabrieksvloer. Het kan leren van de weinige kapotte items die een fabriek heeft, of realistische voorbeelden genereren om de gaten op te vullen, terwijl het tegelijkertijd het vermogen behoudt om geheel nieuwe soorten fouten te spotten. Het systeem detecteert niet alleen dat er iets mis is; het begrijpt de context van de fout, waardoor fabrikanten hun eigen standaarden kunnen instellen voor wat een defect vormt. In een industrie waar de kosten van een gemiste fout hoog kunnen zijn, biedt dit vermogen om helder, accuraat en adaptief te zien een belangrijke stap voorwaarts in het waarborgen van de betrouwbaarheid van de producten die ons dagelijks leven aandrijven.