Low Cost Two-Stage Fabric Defect Detection at the Edge
本文提出了一种部署在 NVIDIA Jetson Nano 上的低成本两阶段织物缺陷检测系统，该系统利用紧凑型自动编码器对帧进行分选以供 YOLOv5n 检测器使用，在实现高召回率的同时揭示了其观察到的加速主要源于并行的 JPEG 解码而非级联架构本身。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在孟加拉国繁忙的服装厂里——这里是世界第二大成衣出口国——最终产品的质量完全取决于织物。在裁剪每一件衬衫之前，必须对布卷进行检查，看是否存在孔洞、油渍或缠绕的线头。几十年来，这种检查一直是一项人工任务。工人们站在移动的布卷前，用眼睛扫描瑕疵，直到疲劳袭来，导致结果不一致且生产线缓慢。虽然存在自动化机器，但对于驱动当地经济的中小型工厂来说，这些机器往往过于昂ly且耗电量过高。这些工厂面临的挑战不仅在于发现缺陷，还在于如何使用一台成本约一百美元且耗电极少的计算机来完成这项工作。这正是达卡大学研究人员的工作所在，他们试图构建一个能够看见疲劳的人眼可能会忽略之物的系统，但又不需要超级计算机那样的成本。
研究人员借鉴了数十年计算机视觉历史中的一种策略来解决这个问题：不要用你最强大的工具去检查所有东西。相反，使用一个快速、廉价的过滤器来筛除明显的正常物品，并将繁重的任务留给少数看起来可疑的对象。他们构建了一个两阶段系统来测试这个想法。第一阶段是一个紧凑、轻量级的程序，旨在识别什么是“正常”的织物。如果织物看起来正常，系统就会丢弃该图像并继续处理下一张。如果织物看起来异常，系统就会将其标记并发送给第二个更强大的程序，由后者识别出具体的缺陷类型。整个过程都部署在一个名为 NVIDIA Jetson Nano 的小型、实惠的设备上，该设备专为在大型服务器无法到达的地方运行复杂任务而设计。
团队在数千张完美的织物图像上训练了第一阶段，教它在脑海中重建织物的图像。当织物完美时，重建过程简单且准确。当织物出现缺陷时，系统在重建图像时会遇到困难，而这种挣扎便预示着异常。为了让这种筛选更有效，他们向软件中加入了一些聪明的技巧，例如更加关注缺陷经常隐藏的织物边缘，并利用预训练的专家系统来更好地理解缺陷的特征。这个第一阶段充当了守门人的角色。在测试中，这个守门人在两百四十九张照片中的二十张缺陷图像中全部成功标记了出来，但研究人员提醒说，这一结果属于样本内校准结果，而非经过验证的独立估计值，其置信区间较宽，表明真实的召回率可能会更低。然而，它在忽略合格品方面并不完美；它将近一半的洁净织物标记为可疑，导致第二阶段的工作量比预期要大。
第二阶段使用一种广为人知的目标检测系统来观察被标记的图像，并精准定位孔洞、油点或线头错误的位置。由于这一阶段的计算成本更高，研究人员希望通过先过滤掉正常图像，使系统整体运行得更快。他们将这个两阶段系统的速度与直接在每张图像上运行重型检测器的系统进行了对比。两阶段系统确实更快，每秒处理约十三点五张图像，而仅使用重型检测器的系统每秒处理不到十张。这种提升看起来像是一个成功，但研究人员决定深入挖掘，以了解这种速度提升究竟来自何处。
他们的发现对于任何试图构建类似系统的人来说都是令人惊讶且重要的。当他们分解每个任务所花费的时间时，发现提速主要并非来自于跳过重型检测器。相反，它来自于计算机处理图像的方式。系统能够在从磁盘读取图像文件的同时处理下一张图像，有效地隐藏了加载数据所需的时间。跳过重型检测器带来的实际节省非常小，仅占总增益的不到百分之十。造成这种微小节省的原因在于，第一阶段仍然发送了如此多的误报，以至于第二阶段无论如何都必须对超过一半的图像进行处理。
这一发现转移了问题的焦点。研究人员意识到，在这一特定类型的微型计算机上，瓶颈不在于检测器的智能程度，而在于将图像输入其中的速度。系统在加载图像上花费的时间甚至超过了分析图像的时间。此外，由于第一阶段发送了过多的误报，系统并未真正利用到缺陷稀缺性的优势。研究人员计算出，如果他们能调整第一阶段使其更加谨慎，从而减少误报，系统就能节省更多时间，潜在地将第二阶段需要处理的工作量减少近一半。然而，让第一阶段变得更加谨慎也会带来漏掉真实缺陷的风险，这是一个需要仔细权衡的折衷方案。
研究结论指出，虽然这个两阶段系统可以运行并适配在低成本设备上，但人们普遍认为级联系统会自动带来巨大提速的观点需要谨慎对待。他们观察到的速度提升主要是由于高效的数据处理，而非过滤本身。对于希望采用这项技术的工厂来说，最有效的下一步不是构建一个更聪明的检测器，而是微调第一阶段的灵敏度以减少误报，并确保数据流水线尽可能顺畅。该系统最适合作为人类工人的助手，帮助他们对哪些布卷需要仔细检查进行分类，而不是作为一个完全自主的替代品。它证明了先进的人工智能可以在简陋的硬件上运行，但也表明，通往速度的路径往往在于系统的“管道”设计，而不仅仅是在其“大脑”之中。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。