El modelo de detección de anomalías industriales propuesto es computacionalmente eficiente, amigable con la memoria y también es adecuado para condiciones de poca luz, común en entornos de fabricación, lo que lo hace adecuado para aplicaciones industriales en tiempo real. Crédito: Dr. Phan Xuan Tan de Sit, Japón, enlace de origen: https://doi.org/10.1093/jcde/qwaf043
En un intento por mejorar el control de calidad y reducir los errores de producción, los fabricantes están adoptando cada vez más sistemas de detección de anomalías automatizadas. Estos sistemas identifican automáticamente defectos en los productos de fabricación y se emplean ampliamente en diversas industrias, como la fabricación de automóviles, la electrónica y los productos farmacéuticos.
Los sistemas de detección de anomalías tradicionales se basan en el aprendizaje supervisado, donde los modelos están entrenados en conjuntos de datos etiquetados que contienen muestras tanto normales como defectuosas. Sin embargo, en la mayoría de los entornos industriales, los datos de defectos suelen ser escasos o muy variables, lo que hace que estos enfoques sean poco prácticos. Como resultado, los modelos de aprendizaje no supervisados que se basan exclusivamente en datos sin defectos han surgido como una alternativa prometedora.
Recientemente, los métodos basados en la incrustación han logrado resultados de vanguardia para la detección de anomalías no supervisadas. Desafortunadamente, estos métodos se basan en los bancos de memoria, lo que resulta en aumentos sustanciales en el consumo de memoria y los tiempos de inferencia. Esto es problemático para los entornos industriales, que a menudo se limitan a los recursos de memoria y la velocidad de procesamiento. Además, estos métodos funcionan mal en condiciones de iluminación de poca luz o variable, que son comunes en entornos de fabricación.
Para abordar estos desafíos, un equipo de investigación dirigido por el profesor asociado Phan Xuan Tan del innovador Programa Global y la Facultad de Ingeniería del Instituto de Tecnología de Shibaura, Japón, y el Dr. Hoang Dinh Cuong de la Universidad FPT, Vietnam, ha desarrollado un modelo innovador sin supervisión para la detección de anomalías industriales (IAD) y la localización utilizando imágenes emparejadas bien y de baja luz.
“Nuestro enfoque es el primero en aprovechar las imágenes emparejadas con poca luz para detectar anomalías, mientras que permanece liviano y eficiente en la memoria”, explica el Dr. Tan. El equipo también incluyó investigadores de la Universidad FPT en Vietnam. Su estudio se publica en el Journal of Computational Design and Engineering.
El modelo propuesto primero los mapas de características de los extractos para imágenes bien iluminadas como con poca luz, capturando sus detalles estructurales y texturales. Luego refina estas características utilizando dos módulos innovadores. El módulo de mejora de la función de paso bajo (LFE) enfatiza los componentes de baja frecuencia de los mapas de características. En entornos de poca luz, las características de alta frecuencia a menudo se corrompen por el ruido, oscureciendo los detalles de la superficie sutiles cruciales para la detección de anomalías. Al centrarse en las características de baja frecuencia, el módulo LFE suprime efectivamente el ruido en imágenes con poca luz.
Las imágenes con poca luz también sufren iluminación no uniforme. El módulo de mejora de la función ADATORIA DE ILUMINACIÓN aborda este problema mediante la generación de un mapa de iluminación estimado para ajustar dinámicamente las características basadas en las variaciones de iluminación. Esto garantiza una representación de características correcta incluso en iluminación desigual.
Las salidas de estos dos módulos se integran utilizando un módulo de fusión de características adaptativas, que captura sus características complementarias y mejora los detalles más relevantes. Lo hace empleando mecanismos de atención y asistencia espacial. El primero asegura que solo se enfatizan las características relevantes mientras se suprimen las redundantes, y el último preserva los detalles de grano fino.
Luego se detectan anomalías comparando las características bien iluminadas reconstruidas desde las entradas de poca luz con las características extraídas originales. Esto produce un mapa de anomalías para localizar defectos y una puntuación de anomalía global para la detección. Este enfoque mejora la eficiencia computacional al minimizar la dependencia de las integridades de características intensivas en memoria, lo que lo hace adecuado para aplicaciones industriales en tiempo real.
Para evaluar su modelo, los investigadores desarrollaron un nuevo conjunto de datos llamado LL-Iad, donde LL representa la baja luz. Comprende 6,600 imágenes emparejadas bien iluminadas y con poca luz en 10 categorías de objetos. También probaron su modelo en conjuntos de datos industriales externas adicionales, incluidos aislantes y embrague. El modelo superó significativamente los métodos de estado de arte existentes en todos los conjuntos de datos. En particular, incluso en ausencia de imágenes muy bien iluminadas, mantuvo una alta precisión de detección, lo que demuestra su aplicabilidad práctica en entornos industriales desafiantes.
“Nuestro modelo ofrece una solución computacionalmente eficiente, amigable con la memoria y robusta para IAD en condiciones comunes de fabricación de baja luz”, comenta el Dr. Tan. “Además, LL-ID es el primer conjunto de datos diseñado específicamente para el IAD en condiciones de poca luz, que esperamos servirá como un recurso valioso para futuras investigaciones”.
Al introducir un marco innovador de detección de anomalías y un nuevo conjunto de datos integral, esta investigación aborda un desafío clave en el IAD, con beneficios potenciales en diversas industrias.
Más información: Dinh-Cuong Hoang et al, detección de anomalías industriales sin supervisión utilizando imágenes emparejadas de litera y poca luz, Journal of Computational Design and Engineering (2025). Doi: 10.1093/jcde/qwaf043
Proporcionado por el Instituto de Tecnología de Shibaura
Cita: Detección de anomalías computacionalmente eficiente lograda a través de un nuevo modelo de doble luz (2025, 31 de julio) Recuperado el 31 de julio de 2025 de https://techxplore.com/news/2025-07-eficiente-anomaly-dual.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
