In de hooggestoken wereld van de productie is het waarborgen dat elk product dat de assemblagelijn verlaat vlekkeloos is, een constante strijd. Decennialang hebben geautomatiseerde inspectiesystemen vertrouwd op camera's om defecten op te sporen, vergelijkbaar met een menselijke kwaliteitscontroleur die een onderdeel scant op krassen of verkleuringen. Deze 2D-beelden zijn uitstekend in het lezen van oppervlaktetexturen en kleuren, maar ze hebben moeite met het zien van de vorm van dingen. Een deuk, een bult of een subtiele verschuiving in hoogte verdwijnt vaak in een platte foto, vooral als de verlichting verandert of het oppervlak van nature ongelijkmatig is. Daartegenover kunnen 3D-scanners de exacte geometrie en diepte van een object in kaart brengen, waardoor structurele vervormingen aan het licht komen die een camera zou missen, maar ze zijn blind voor de rijke kleur- en textuurdetails die veel andere soorten schade definiëren. De uitdaging voor ingenieurs is al lang hoe deze twee verschillende manieren van de wereld zien te combineren in één enkel, betrouwbaar systeem dat elk defect kan opsporen, of het nu gaat om een kras op het oppervlak of een deuk in de structuur.

Een team onderzoekers van de Beihang Universiteit en de PLA Academy of Military Science heeft een nieuwe methode ontwikkeld om dit probleem op te lossen, door een systeem te creëren dat deze twee weergaven samenvoegt zonder dat de ene de andere wegcijft. Hun aanpak, genaamd CAFM, pakt een specifiek gebrek aan eerdere pogingen aan: wanneer computers 2D- en 3D-gegevens proberen te combineren, strijken ze vaak de heelal de imperfecties glad die ze juist zouden moeten vinden. Als een onderdeel een defect heeft dat zichtbaar is in de 3D-scan maar er normaal uitziet op de foto, kunnen oudere systemen de "normale" foto gebruiken om de ontbrekende details in te vullen, waardoor het bewijs van het defect effectief wordt uitgewist. De onderzoekers ontdekten dat om deze anomalieën te vangen, het systeem wordt voorkomen dat het te behulpzaam is; het moet worden beperkt zodat het niet simpelweg een perfecte versie van een kapot onderdeel kan verzinnen. Door de computer te dwingen zich te concentreren op lokale gebieden waar de twee weergaven overlappen en door strikt te limiteren hoeveel informatie het kan "raden", creëerden zij een detectiemethode die aanzienlijk nauwkeuriger is dan de huidige standaarden.

De kern van dit nieuwe systeem ligt in de manier waarop het de gegevens verwerkt voordat het een beslissing neemt. De onderzoekers nemen eerst de 2D-beeldgegevens en sturen deze door een compressieproces dat fungeert als een strikt filter. Dit filter is ontworpen om de patronen van perfecte, normale onderdelen zo goed te leren dat het, wanneer het een defect onderdeel tegenkomt, dit niet goed kan reconstrueren. Het falen om het defect te reconstrueren creëert een duidelijk signaal dat er iets mis is. Cruciaal is dat deze compressie alleen op de beeldgegevens wordt toegepast, waardoor de structurele waarheid van het object onaangetast blijft. Het systeem brengt deze twee informatiestromen vervolgens op één lijn, maar in plaats van de volledige afbeelding in één keer met de volledheden van de 3D-scan te mengen, kijkt het naar kleine, lokale vensters. Dit zorgt ervoor dat een textuur aan de linkerkant van een object alleen wordt vergeleken met de geometrie aan de linkerkant, waardoor de computer niet in de war raakt door irrelevante details van andere delen van het object.

Om verder te garanderen dat het systeem niet de voorkeur geeft aan één type gegevens boven het andere, gebruikten de onderzoekers een trainingsmethode die de gecombineerde informatie dwingt trouw te blijven aan zowel het originele beeld als de originele 3D-scan. Als het systeem te zwaar leunt op de 2D-kleuren of de 3D-vormen, trekt deze techniek het terug, wat een gebalanceerd beeld garandeert. Ten slotte slaat het systeem voorbeelden op van hoe "normaal" eruitziet in drie afzonderlijke bibliotheken: één voor de 2D-beelden, één voor de 3D-scans en één voor de gecombineerde gegevens. Wanneer een nieuw onderdeel wordt geïnspecteerd, controleert het systeem dit tegen alle drie de bibliotheken. Als het onderdeel anders is dan de normale voorbeelden in een van deze bibliotheken, wordt het als defect gemarkeerd. Deze meerlaagse aanpak stelt het systeem in staat om een breder scala aan defecten te vangen dan methoden die vertrouwen op een enkele weergave of een eenvoudige combinatie van gegevens.

De resultaten van het testen van deze methode op twee belangrijke industriële datasets, MVTec 3D-AD en Eyecandies, demonstreren de effectiviteit ervan. Op de MVTec 3D-AD dataset, die een grote verscheidenheid aan industriële objecten en defecten bevat, behaalde de nieuwe methode een score voor beeldniveau-detectie van 0,981. Dit vertegenwoordigt een verbetering van 3,6 procentpunt ten opzichte van de vorige leidende methode, M3DM, die een vergelijkbare multi-bibliotheek aanpak gebruikte maar de specifieke uitlijning en compressietechnieken miste. Wat betreft het nauwkeurig aanwijzen van de exacte locatie van een defect op het oppervlak van het object, behaalde de nieuwe methode een score van 0,977, en voor het onderscheiden tussen normale en defecte pixels bereikte het 0,998. Deze cijfers geven aan dat het systeem niet alleen beter is in zeggen "dit onderdeel is kapot", maar ook in het tonen van precies waar de breuk zit. De onderzoekers merkten op dat hoewel de methode uitblinkt in het detecteren van lokale textuurvariaties en structurele vervormingen, het nog steeds uitdagingen kent met zeer subtiele geometrische vervormingen of defecten die er in de twee datatypen verschillend uitzien, wat suggereert dat toekomstig werk zich kan richten op het flexibeler maken van de lokale uitlijning.

De betekenis van dit werk ligt in het vermogen om de complexiteit van de echte wereld van productie aan te kunnen zonder dat er gelabelde voorbeelden van elk mogelijk defect nodig zijn. Door een ongesuperviseerde aanpak te gebruiken, leert het systeem wat een perfect onderdeel is en markeert het alles wat hiervan afwijkt. De onderzoekers sloten expliciet de mogelijkheid uit dat het simpelweg toevoegen van meer gegevens of het gebruiken van een krachtigere computer het probleem zou oplossen; in plaats daarvan toonden zij aan dat de manier waarop de gegevens worden samengevoegd de cruciale factor is. Ze demonstreerden dat het toestaan dat het systeem informatie vrij combineert vaak leidt tot fouten waarbij defecten worden verborgen, en dat het beperken van het vermogen van het systeem om "de gaten in te vullen" juist is wat het gevoeliger maakt voor anomalieën. Deze bevinding daagt de algemene aanname uit dat meer representatieve kracht altijd beter is, en laat in plaats daarvan zien dat gecontroleerde beperkingen kunnen leiden tot superieure detectie in veiligheidskritische toepassingen.

In de bredere context van industriële automatisering biedt deze methode een pad naar robuustere kwaliteitscontrolesystemen die kunnen worden aangepast aan verschillende soorten producten en defecten zonder uitgebreide hertraining. Het vermogen om zowel oppervlakkige problemen zoals krassen als structurele problemen zoals deuken in één passage te detecteren, vermindert de noodzaak voor meerdere inspectiestations en verlaagt het risico dat defecte producten de consument bereiken. Hoewel het huidige systeem vaste venstergroottes gebruikt voor uitlijning, wat de prestaties bij zeer kleine of onregelmatige defecten kan beperken, biedt het framework een solide fundament voor toekomstige verbeteringen. De onderzoekers zijn van plan om dynamische uitlijningsmechanismen te verkennen die kunnen worden aangepast aan de specifieke kenmerken van een defect, wat het systeem potentieel nog veelzijdiger kan maken. Voor nu staat de methode als een bewezen vooruitgang in het vakgebied, die een duidelijke, meetbare verbetering biedt in de betrouwbaarheid van automatische visuele inspectie.