Low Cost Two-Stage Fabric Defect Detection at the Edge

Nas movimentadas fábricas de vestuário de Bangladesh, o segundo maior exportador de roupas prontas do mundo, a qualidade do produto final depende inteiramente do tecido. Antes que uma única camisa seja cortada, rolos de pano devem ser inspecionados em busca de furos, manchas de óleo e fios emaranhados. Durante décadas, essa inspeção tem sido uma tarefa humana. Trabalhadores permanecem diante de rolos de tecido em movimento, com seus olhos escaneando em busca de imperfeições até que a fadiga se instale, levando a resultados inconsistentes e linhas de produção lentas. Embora existam máquinas automatizadas, elas são frequentemente caras demais e consomem muita energia para os pequenos e médios moinhos que impulsionam a economia local. O desafio para essas fábricas não é apenas encontrar defeitos, mas fazê-lo com um computador que custe cerca de cem dólares e consuma pouquíssima eletricidade. É aqui que entra o trabalho de pesquisadores da Universidade de Dhaka, tentando construir um sistema que possa ver o que um olho humano cansado poderia perder, mas sem o custo de um supercomputador.

Os pesquisadores abordaram este problema com uma estratégia emprestada de décadas de história da visão computacional: não verifique tudo com sua ferramenta mais poderosa. Em vez disso, use um filtro rápido e barato para filtrar os itens normais e óbvios, e reserve o trabalho pesado para as poucas coisas que parecem suspeitas. Eles construíram um sistema de dois estágios para testar essa ideia. O primeiro estágio é um programa compacto e leve, projetado para reconhecer como é um tecido "normal". Se o tecido parecer normal, o sistema descarta a imagem e segue em frente. Se o tecido parecer estranho, o sistema o sinaliza e o envia para um segundo programa, mais poderoso, que identifica exatamente qual é o defeito. Todo esse processo foi implementado em um dispositivo pequeno e acessível chamado NVIDIA Jetson Nano, que é projetado para executar tarefas complexas em locais onde grandes servidores não podem ir.

A equipe treinou seu primeiro estágio em milhares de imagens de tecidos perfeitos, ensinando-o a reconstruir a imagem do pano em sua mente. Quando o tecido é perfeito, a reconstrução é fácil e precisa. Quando há um defeito, o sistema tem dificuldade em recriar a imagem, e essa dificuldade sinaliza uma anomalia. Para tornar essa triagem mais eficaz, eles adicionaram alguns truques inteligentes ao software, como focar mais nas bordas do tecido, onde os defeitos costem se esconder, e aprender com um sistema especialista pré-treinado para entender melhor o que é um defeito. Este primeiro estágio atua como um porteiro. Em seus testes, este porteiro sinalizou todas as vinte imagens defeituosas em um conjunto específico de duzentas e quarenta e nove fotos, mas os pesquisadores alertam que este resultado é um resultado de calibração de amostra interna (in-sample) em vez de uma estimativa independente comprovada, com um intervalo de confiança amplo sugerindo que a recuperação (recall) real poderia ser menor. No entanto, não foi perfeito em ignorar os bons; ele sinalizou quase metade do tecido limpo como suspeito, forçando o segundo estágio a trabalhar mais do que o esperado.

O segundo estágio utiliza um sistema de detecção de objetos bem conhecido para observar as imagens sinalizadas e localizar precisamente o local do furo, da mancha de óleo ou do erro de fio. Como este estágio é computacionalmente mais caro, os pesquisadores esperavam que, ao filtrar as imagens normais primeiro, o sistema rodaria muito mais rápido no geral. Eles mediram a velocidade de seu sistema de dois estágios contra um sistema que executava o detector pesado em cada imagem individualmente. O sistema de dois estágios foi, de fato, mais rápido, processando cerca de treze e meia imagens por segundo, comparado a pouco menos de dez do sistema de apenas o detector pesado. Essa melhoria pareceu um sucesso, mas os pesquisadores decidiram investigar mais profundamente para entender exatamente de onde vinha essa velocidade.

O que descobriram foi surpreendente e importante para qualquer pessoa que tente construir sistemas semelhantes. Ao decomporem o tempo gasto em cada tarefa, descobriram que o ganho de velocidade não veio principalmente de pular o detector pesado. Em vez disso, veio de como o computador lidava com as imagens. O sistema foi capaz de ler o arquivo de imagem do disco e processar a próxima imagem ao mesmo tempo, efetivamente ocultando o tempo que levava para carregar os dados. A economia real de pular o detector pesado foi pequena, representando menos de dez por cento do ganho total de velocidade. A razão para essa pequena economia foi que o primeiro estágio ainda estava enviando tantos alarmes falsos que o segundo estágio teve que rodar em mais da metade das imagens de qualquer maneira.

Essa descoberta muda o foco do problema. Os pesquisadores perceberam que, neste tipo específico de computador pequeno, o gargalo não é a inteligência do detector, mas a velocidade com que as imagens podem ser alimentadas nele. O sistema estava gastando mais tempo carregando imagens do que passando tempo analisando-as. Além disso, como o primeiro estágio estava enviando tantos alarmes falsos, o sistema não estava verdadeiramente aproveitando a raridade dos defeitos. Os pesquisadores calcularam que, se pudessem ajustar o primeiro estágio para ser mais cuidadoso e enviar menos alarmes falsos, o sistema poderia economizar significativamente mais tempo, potencialmente reduzindo o trabalho do segundo estágio em quase metade. No entanto, tornar o primeiro estágio mais cuidadoso corre o risco de perder defeitos reais, um compromisso (trade-off) que exige um equilíbrio cuidadoso.

O estudo conclui que, embora este sistema de dois estáções funcione e caiba em um dispositivo de baixo custo, a crença comum de que sistemas em cascata fornecem automaticamente ganhos massivos de velocidade precisa ser vista com cautela. O ganho de velocidade observado foi majoritariamente um resultado do manuseio eficiente de dados, não do próprio filtro. Para fábricas que buscam adotar esta tecnologia, o próximo passo mais eficaz não é necessariamente construir um detector mais inteligente, mas sim ajustar a sensibilidade do primeiro estágio para reduzir alarmes falsos e garantir que o fluxo de dados seja o mais fluido possível. O sistema serve melhor como um assistente para trabalhadores humanos, ajudando-os a fazer a triagem de quais rolos de tecido precisam de uma inspeção mais detalhada, em vez de ser uma substituição totalmente autônoma. Ele prova que a inteligência artificial avançada pode rodar em hardware humilde, mas também mostra que o caminho para a velocidade é frequentemente encontrado na tubulação do sistema, não apenas no cérebro.