LiZAD: A Lightweight Zero-Shot Anomaly Detection Framework for Industrial Manufacturing

Resumo Técnico: LiZAD – Um Framework de Detecção de Anomalias Zero-Shot Leve

Problema
Na manufatura industrial moderna de alto rendimento, as configurações de produtos e as características visuais mudam frequentemente. A detecção de anomalias supervisionada tradicional exige extensa coleta e anotação de dados para cada novo cenário, o que é frequentemente dispendioso ou inviável. Embora a Detecção de Anomalias Zero-Shot (ZSAD) ofereça uma solução ao detectar defeitos em categorias não vistas sem dados de treinamento específicos para o alvo, as abordagens atuais de ZSAD enfrentam um gargalo crítico: elas são computacionalmente intensivas. Construídos sobre backbones de visão-linguagem de grande escala, esses modelos demandam alto poder de processamento e memória, tornando-os inadequados para implantação em dispositivos de borda com recursos limitados ou em linhas de produção em tempo real, onde a velocidade de inferência é primordial.

Metodologia
Os autores propõem o LiZAD, um framework leve projetado especificamente para ZSAD em tempo real em dispositivos de borda. A arquitetura aborda o compromisso entre eficiência computacional e localização de detalhes finos através de três componentes principais:

1. Backbone Visual (DINOv3): Em vez de encoders visuais padrão do tipo CLIP, que são otimizados para alinhamento semântico global, o LiZAD utiliza o DINOv3 (especificamente a variante compacta ViT-S/16). Esta escolha é impulsionada pela capacidade do DINOv3 de fornecer características visuais densas e espacialmente conscientes, cruciais para uma localização de anomalias precisa ao nível de pixel. O modelo utiliza um encoder congelado para extrair tokens globais e embeddings de nível de patch.
2. Encoder de Texto (MobileCLIP2): Para o ramo de texto, o framework emprega o MobileCLIP2, uma arquitetura projetada para execução de baixa latência em hardware de borda. Ele utiliza um design de convolução-transformer altamente otimizado e treinamento reforçado multimodal para extrair embeddings de texto expressivos com um footprint de memória mínimo.
3. Espaço Latente Compartilhado & Projeção: Como os encoders visuais e de texto operam em espaços dimensionais diferentes e não são treinados conjuntamente, o LiZAD introduz cabeças de projeção linear leves e treináveis. Estas cabeças mapeiam os embeddings de patch visual, os tokens globais e os embeddings de texto para um espaço latente compartilhado.
   • Prompting: O sistema utiliza templates padrão ("uma imagem de um {estado} {objeto}") para gerar embeddings de texto normais e anormais.
   • Pontuação (Scoring): As pontuações de anomalia são computadas via similaridade de cosseno entre os patches visuais projetados e os embeddings de texto normais/anormais. Uma função softmax converte essas similaridades em probabilidades de anomalia.
   • Regularização: Um regularizador de contexto global baseado no token global projetado é adicionado para estabilizar o espaço de embedding e calibrar direções além da supervisão esparsa de nível de patch.
   • Saída: O mapa de anomalia resultante é upsampled via interpolação bilinear para gerar um heatmap de anomalia denso ao nível de pixel.

Principais Contribuições

• Primeiro ZSAD Leve para Borda: O LiZAD é apresentado como o primeiro framework de ZSAD rápido, leve e preciso, construído explicitamente para implantação no mundo real em dispositivos com recursos limitados.
• Eficiência Arquitetural: Ao parear o DINOv3 com o MobileCLIP2 e utilizar apenas cabeças de projeção leves para o treinamento (mantendo os encoders congelados), o framework reduz drasticamente o overhead computacional.
• Validação no Mundo Real: O framework foi implantado com sucesso em dispositivos de borda NVIDIA Jetson NX e Jetson AGX e testado em uma linha de produção real no Laboratório de Engenharia de Computação Industrial (ICE Lab) da Universidade de Verona.

Resultados Experimentais
Os autores avaliaram o LiZAD contra seis modelos de estado da arte (SOTA) de ZSAD (CLIP, WinCLIP, APRILGAN, AnomalyCLIP, AdaCLIP, Bayes-PFL) em quatro datasets industriais: VisA, BTAD, MPDD e MVTec-AD.

• Ganhos de Eficiência:
  • Memória: Reduzida em média em 61,5% (caindo para 1,01 GB).
  • Parâmetros: Reduzidos em 74,6% (caindo para 97,44 M de parâmetros).
  • Latência: Alcançou um aceleração de 3,02× (redução de 69,9% na latência de inferência) em comparação com a média dos modelos concorrentes. No Jetson NX, alcançou 754,6 ms por amostra; no Jetson AGX, 554,4 ms.
• Compromisso de Desempenho (Performance Trade-off): Apesar das reduções significativas de complexidade, o LiZAD mantém um desempenho de detecção competitivo.
  • Alcançou um AUROC médio de pixel-wise de 88,05%.
  • Isso representa uma queda de apenas 6,4% em relação ao melhor modelo de estado da arte testado nos datasets.
  • Especificamente, permaneceu dentro de 1,3% do melhor resultado no VisA e 5,2% no MVTec-AD.
• Resultados Qualitativos: Comparações visuais demonstram que o LiZAD produz respostas de anomalia nítidas e concentradas através de diversas texturas e padrões de defeitos, confirmando suas capacidades robustas de localização.

Significância
O artigo afirma que o LiZAD consegue preencher a lacuna entre a detecção de anomalias zero-shot de alta precisão e os requisitos rigorosos de tempo real e recursos limitados do ambiente industrial. Ao demonstrar que reduções substanciais de memória e parâmetros podem ser alcançadas com apenas um compromisso mínimo na precisão de localização, o framework permite a implantação de sistemas avançados de detecção de anomalias em plataformas de borda onde modelos pesados anteriores eram impraticáveis. O teste bem-sucedido em uma linha de produção real ressalta seu potencial para aplicação industrial imediata.