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

Nas fábricas que alimentam o nosso mundo moderno, milhões de pequenas luzes chamadas LEDs são montadas. Estes componentes são os olhos dos nossos ecrãs e os faróis das nossas cidades, mas são frágeis. Durante a fabricação, podem desenvolver falhas subtis: uma bolha presa na cola, um pino ligeiramente solto ou um grão de poeira estranha. Se estes defeitos passarem despercebidos, o produto final poderá falhar, levando a desperdícios dispendiosos e tecnologia pouco fiável. Durante décadas, os fabricantes tentaram detetar estes erros utilizando câmaras automatizadas e computadores. As tentativas iniciais baseavam-se em regras rígidas ou correspondência simples de padrões, que frequentemente falhavam quando a iluminação mudava ou quando os defeitos pareciam ligeiramente diferentes. Sistemas mais recentes utilizam aprendizagem profunda, um tipo de inteligência artificial que aprende a reconhecer padrões ao estudar milhares de exemplos. No entanto, estes sistemas inteligentes exigem frequentemente um poder computacional massivo, tornando-os demasiado pesados e lentos para correr nos pequenos e acessíveis computadores encontrados num movimentado pavilhão industrial. Além disso, os dados do mundo real das fábricas são desordenados; alguns tipos de defeitos são comuns, enquanto outros são raros, e diferentes defeitos podem parecer surpreendentemente semelhantes, confundindo até os algoritmos mais avançados.

Para resolver isto, uma equipa de investigadores de várias universidades da China desenvolveu um novo sistema leve, concebido especificamente para estas condições industriais difíceis. A sua abordagem, detalhada num estudo recente, foca-se em ensinar um modelo computacional pequeno e eficiente a reconhecer defeitos de LED com alta precisão, mesmo quando os dados são desequilibrados e as pistas visuais são ténues. Em vez de depender de uma única forma rígida de observar uma imagem, o novo sistema utiliza uma estratégia de "dupla via". Imagine um estudante a aprender um assunto complexo: ele pode estudar um livro de texto para ter uma visão geral, enquanto examina simultaneamente diagramas detalhados para os pontos minuciosos. Este sistema faz algo semelhante, executando dois fluxos paralelos de análise. Um fluxo observa a estrutura global da imagem, enquanto o outro faz zoom em camadas específicas de detalhe. Crucialmente, o sistema não trata estas duas visões como sendo igualmente importantes para cada imagem individual. Em vez disso, utiliza um mecanismo dinâmico para decidir, para cada defeito específico, quanto peso dar à visão ampla versus à visão detalhada. Isto permite que o computador adapte o seu foco, prestando atenção extra aos detalhes quando dois defeitos diferentes parecem muito semelhantes, ou recorrendo ao contexto mais amplo quando o defeito é óbvio.

Para tornar este sistema pequeno o mais inteligente possível, os investigadores empregaram uma técnica chamada destilação de conhecimento. Neste processo, um modelo "professor" grande, poderoso e computacionalmente dispendioso é primeiro treinado para reconhecer os defeitos perfeitamente. Este professor guia então o modelo "aluno" mais pequeno, que é o destinado à fábrica. O professor não se limita a dizer ao aluno a resposta correta; ele partilha as relações subtis entre diferentes tipos de defeitos e as características específicas que os distinguem. O aluno aprende tanto com as decisões finais do professor como com os passos intermédios que o professor tomou para chegar a essas decisões. Esta transferência de conhecimento permite que o aluno leve, embora pequeno, atinja um nível de precisão que normalmente requer uma máquina muito maior. Os investigadores testaram este método em dois conjuntos de dados diferentes: um novo conjunto de dados que criaram, contendo mais de 6.000 imagens de oito tipos de defeitos diferentes, e um conjunto de dados público existente utilizado por uma grande empresa de tecnologia. Os resultados foram impressionantes. No seu próprio conjunto de dados, o sistema identificou corretamente os defeitos 97,17% das vezes e, no conjunto de dados público, atingiu 96,31% de precisão. Estes números representam uma melhoria significativa em relação outros modelos leves atualmente disponíveis, que frequentemente têm dificuldades com os tipos de defeitos raros e confusos encontrados nas linhas de produção reais.

O estudo também abordou o desafio dos recursos computacionais limitados, um fator crítico para a implementação industrial. Embora o novo sistema seja ligeiramente mais complexo do que os modelos mais simples existentes, continua a ser suficientemente pequeno para correr eficientemente em hardware padrão. Processa imagens a uma velocidade de mais de 300 fotogramas por segundo, rápido o suficiente para acompanhar o ritmo acelerado de uma linha de fabricação. Os investigadores demonstraram que o sistema não apenas memoriza as imagens de treino, mas aprende a generalizar, o que significa que consegue identificar defeitos que nunca viu antes com alta fiabilidade. Ao combinar a arquitetura de dupla via com a técnica de destilação de conhecimento, a equipa criou uma ferramenta que é simultaneamente poderosa e prática. Este trabalho sugere que o controlo de qualidade de alta precisão não requer supercomputadores massivos e vorazes em energia. Em vez disso, ao ensinar modelos menores a aprender de forma mais eficaz com os seus homólogos maiores e a adaptar o seu foco dinamicamente, as fábricas podem alcançar uma melhor deteção de defeitos sem sacrificar a velocidade ou a eficiência. Os investigadores disponibilizaram o seu código e o novo conjunto de dados ao público, convidando outros a construir sobre esta base para uma fabricação industrial mais inteligente e fiável.