Lightweight Dual-Path Network with Dynamic Distillation for Industrial LED Defect Recognition

In de fabrieken die onze moderne wereld aandrijven, worden miljoenen kleine lichtjes genaamd LED's geassembleerd. Deze componenten zijn de ogen van onze schermen en de bakens van onze steden, maar ze zijn fragiel. Tijdens de productie kunnen ze subtiele gebreken ontwikkelen: een luchtbel die in de lijm gevangen zit, een pin die iets los zit, of een korrel vreemd stof. Als deze defecten erdoorheen glippen, kan het eindproduct falen, wat leidt tot kostbare verspilling en onbetrouwbare technologie. Decennialang hebben fabrikanten geprobeerd deze fouten te vangen met behulp van geautomatiseerde camera's en computers. Vroege pogingen vertrouwden op rigide regels of eenvoudige patroonherkenning, wat vaak faalde wanneer de verlichting veranderde of wanneer de defecten er iets anders uitzagen. Recentere systemen maken gebruik van deep learning, een vorm van kunstmatige intelligentie die patronen leert herkennen door duizenden voorbeelden te bestuderen. Deze slimme systemen vereisen echter enorme rekenkracht, waardoor ze te zwaar en te traag zijn om te draaien op de kleine, betaalbare computers die op een drukke fabrieksvloer te vinden zijn. Bovendien is echte fabrieksdata rommelig; sommige soorten defecten zijn algemeen, terwijl andere zeldzaam zijn, en verschillende defecten kunnen er verbazingwekkend hetzelfde uitzien, wat zelfs de meest geavanceerde algoritmen in verwarring brengt.

Om dit op te lossen, heeft een team onderzoekers van verschillende universiteiten in China een nieuw, lichtgewicht systeem ontwikkeld dat specifiek is ontworpen voor deze moeilijke industriële omstandigheden. Hun aanpak, die gedetailleerd wordt beschreven in een recente studie, richt zich op het onderwijzen van een klein, efficiënt computermodel om LED-defecten met hoge precisie te herkennen, zelfs wanneer de data ongebalanceerd is en de visuele aanwijzingen vaag zijn. In plaats van te vertrouwen op één enkele, rigide manier van naar een afbeelding kijken, gebruikt het nieuwe systeem een "dual-path" strategie. Stel je een student voor die een complex onderwerp leert: die kan een tekstboek bestuderen voor het grote plaatje, terwijl hij ook gedetailleerde diagrammen bestudeert voor de fijne punten. Dit systeem doet iets soortgelijks door twee parallelle stromen van analyse te draaien. De ene stroom kijkt naar de algemene structuur van de afbeelding, terwijl de andere inzoomt op specifieke lagen van detail. Cruciaal is dat het systeem deze twee weergaven niet voor elke afbeelding als even belangrijk beschouwt. In plaats daarvan gebruikt het een dynamisch mechanisme om voor elk specifiek defect te beslissen hoeveel gewicht er aan de brede weergave versus de gedetailleerde weergave moet worden gegeven. Dit stelt de computer in staat om zijn focus aan te passen, waarbij extra aandacht wordt besteed aan de details wanneer twee verschillende defecten erg op elkaar lijken, of door te vertrouwen op de bredere context wanneer het defect overduidelijk is.

Om dit kleine systeem zo slim mogelijk te maken, gebruikten de onderzoekers een techniek genaamd knowledge distillation (kennisdestillatie). In dit proces wordt eerst een groot, krachtig en rekenintensief "docent"-model getraind om de defecten perfect te herkennen. Deze docent begeleidt vervolgens het kleinere "student"-model, dat bedoeld is voor de fabriek. De docent vertelt de student niet alleen het juiste antwoord; de docent deelt ook de subtiele relaties tussen verschillende soorten defecten en de specifieke kenmerken die hen onderscheiden. De student leert zowel van de uiteindelijke beslissingen van de docent als van de tussenliggende stappen die de docent nam om tot die beslissingen te komen. Deze overdracht van kennis stelt de lichtgewicht student in staat om een nauwkeurigheidsniveau te bereiken dat normaal gesproken een veel grotere machine vereist. De onderzoekers testten deze methode op twee verschillende datasets: een nieuwe dataset die zij zelf hebben samengesteld met meer dan 6.000 afbeeldingen van acht verschillende soorten defecten, en een bestaande publieke dataset die door een groot technologiebedrijf wordt gebruikt. De resultaten waren opmerkelijk. Op hun eigen dataset identificeerde het systeem defecten in 97,17% van de gevallen, en op de publieke dataset bereikte het een nauwkeurigheid van 96,31%. Deze cijfers vertegenwoordigen een significante verbetering ten opzichte van andere momenteel beschikbare lichtgewicht modellen, die vaak moeite hebben met de zeldzame en verwarrende defecten die in echte productieprocessen voorkomen.

De studie adresseerde ook de uitdaging van beperkte rekenbronnen, een cruciale factor voor industriële implementatie. Hoewel het nieuwe systeem iets complexer is dan de eenvoudigste bestaande modellen, blijft het klein genoeg om efficiënt te draaien op standaard hardware. Het verwerkt afbeeldingen met een snelheid van meer dan 300 frames per seconde, snel genoeg om het snelle tempo van een productielijn bij te houden. De onderzoekers hebben aangetoond dat het systeem niet simpelweg de trainingsafbeeldingen memoriseert, maar leert te generaliseren, wat betekent dat het defecten die het nog nooit eerder heeft gezien met hoge betrouwbaarheid kan identificeren. Door de dual-path architectuur te combineren met de techniek van knowledge distillation, heeft het team een hulpmiddel gecreëerd dat zowel krachtig als praktisch is. Dit werk suggereert dat hoogwaardige kwaliteitscontrole geen enorme, energieverslindende supercomputers vereist. In plaats daarvan, door kleinere modellen te leren effectiever te leren van hun grotere tegenhangers en hun focus dynamisch aan te passen, kunnen fabrieken een betere detectie van defecten bereiken zonder snelheid of efficiëntie op te offeren. De onderzoekers hebben hun code en de nieuwe dataset beschikbaar gesteld aan het publiek, in een uitnodiging aan anderen om voort te bouwen op dit fundament voor slimmere, meer betrouwbare industriële productie.