SynSpill: Improved Industrial Spill Detection With Synthetic Data

1. O Problema

A detecção automática de perigos industriais, como vazamentos de fluidos, derramamentos químicos e falhas mecânicas, é crítica para a segurança e a economia. No entanto, a implementação de sistemas de visão computacional nessa área enfrenta um gargalo fundamental: escassez de dados reais.

• Raridade e Sensibilidade: Acidentes industriais são eventos raros, e os dados existentes são frequentemente proprietários, sensíveis (questões de privacidade) ou difíceis de obter devido a restrições de segurança.
• Limitações dos Modelos Atuais: Detectores de objetos tradicionais (como YOLO e DETR) dependem de grandes conjuntos de dados anotados e tendem a sofrer overfitting, falhando em generalizar para novas condições de iluminação ou layouts de fábrica.
• Desafio dos Modelos de Fundação: Modelos Visão-Linguagem (VLMs) possuem capacidades zero-shot (sem treinamento prévio específico), mas sua precisão na localização espacial e compreensão de cues visuais específicos de domínio é limitada sem adaptação.

2. Metodologia

Os autores propõem o SynSpill, um framework escalável que combina geração de dados sintéticos de alta fidelidade com técnicas de ajuste fino eficientes em parâmetros (PEFT).

A. Pipeline de Geração de Dados Sintéticos (AnomalInfusion)

Em vez de depender de dados reais, o sistema gera um corpus sintético de 2.000 imagens fotorealistas através de um processo de três estágios:

1. Geração de Cena Ancorada no Domínio: Utiliza o Stable Diffusion XL (SDXL) guiado por três sinais:
   • Prompts Textuais: Definindo elementos semânticos (ex: chão de concreto, passarelas metálicas).
   • IP-Adapters: Transferem priores estilísticos de 150 imagens reais de fábricas para garantir texturas e cores autênticas.
   • LoRA de Estilo: Reforça o realismo industrial.
2. Localização de Anomalias Guiada por Especialistas: Um anotador humano identifica regiões semanticamente plausíveis para vazamentos (ex: junções de válvulas, tubos), garantindo lógica causal e evitando aleatoriedade sintética.
3. Inpainting de Derramamentos Físicos: Com base nas caixas delimitadoras anotadas, o sistema usa inpainting diferencial no SDXL para inserir os derramamentos (óleo, produtos químicos) de forma que se integrem perfeitamente ao ambiente, respeitando iluminação e texturas.

B. Adaptação de Modelos (PEFT)

Os dados sintéticos (combinados com dados públicos raspados da web) são usados para adaptar modelos de duas categorias:

• Modelos Visão-Linguagem (VLMs): A família Qwen2.5-VL (3B, 7B e 32B parâmetros).
  • Estratégias testadas: Zero-Shot, In-Context Learning (ICL) e LoRA (Low-Rank Adaptation).
  • Configurações LoRA: Apenas linguagem (L), apenas visão (V) e ambos (V+L).
• Detectores de Objetos SOTA: YOLOv11 e RF-DETR, ajustados no mesmo conjunto de dados híbrido.

3. Principais Contribuições

1. Avaliação de VLMs para Detecção Industrial: Demonstração de como adaptar VLMs para tarefas de detecção de vazamentos usando estratégias few-shot e PEFT.
2. Pipeline AnomalInfusion: Introdução de um pipeline controlável e de alta fidelidade para gerar imagens de derramamentos industriais usando diffusion models com IP-Adapters e inpainting guiado por especialistas.
3. Validação de Dados Sintéticos: Evidência empírica de que um conjunto de dados sintético de alta qualidade não apenas melhora VLMs, mas também supera ou iguala detectores tradicionais (YOLO, DETR) em cenários de dados escassos, servindo como uma solução viável para domínios críticos onde dados reais são inexistentes.

4. Resultados

Os experimentos foram conduzidos em conjuntos de dados públicos e proprietários (fábricas reais).

• Desempenho em Dados Reais (Sem Sintéticos):
  • Modelos Zero-Shot têm desempenho limitado (Hit-Rate ~0.24 para Qwen-32B em dados proprietários).
  • O In-Context Learning (ICL) traz melhorias marginais e satura rapidamente.
  • O ajuste LoRA (especialmente V+L) melhora significativamente a precisão, destacando que a adaptação visual é crucial.
• Desempenho com Dados Sintéticos (SynSpill):
  • Ao treinar com o pipeline sintético, os VLMs ajustados (Qwen2.5-32B + LoRA) atingem um mAP@50 de 0.84 no conjunto público e 0.71 no conjunto proprietário.
  • Comparação: O Qwen2.5-32B ajustado supera o detector RF-DETR (0.67 mAP) no conjunto proprietário por uma margem de 4 pontos percentuais.
  • Em cenários de baixa disponibilidade de dados, os VLMs adaptados mostram maior robustez a oclusões e mudanças de iluminação do que detectores tradicionais.
• Eficiência: O processo de ajuste fino via LoRA é leve, podendo ser executado em uma única GPU, permitindo adaptação rápida sem retreinamento completo do modelo.

5. Significado e Impacto

O trabalho oferece um novo paradigma para a IA industrial em ambientes de segurança crítica:

• Ponte Sim-to-Real: Demonstra que a geração sintética de alta fidelidade pode fechar a lacuna de domínio, eliminando a necessidade de coletar dados de acidentes reais (que são perigosos ou impossíveis de obter).
• Escalabilidade e Custo: Oferece uma via econômica e escalável para implantar sistemas de visão em fábricas, onde a coleta de dados é impraticável.
• Flexibilidade: A arquitetura baseada em LoRA permite que o sistema se adapte a novos ambientes ou modelos de fundação futuros com mínimo esforço de engenharia.
• Conclusão Prática: O artigo estabelece que, para domínios onde "o que não pode ser coletado deve ser gerado", a combinação de dados sintéticos de alta qualidade com modelos de fundação adaptados é superior aos métodos tradicionais de detecção.

Em suma, o SynSpill prova que é possível construir sistemas de detecção de segurança robustos e precisos sem depender de grandes volumes de dados reais anotados, superando as limitações atuais dos detectores de objetos clássicos.