El modelo basado en imágenes mejora la detección de defectos superficiales en entornos industriales con poca luz
Los investigadores han diseñado un marco robusto de detección de anomalías basado en imágenes (AD) con mejoras de iluminación y características de supresión de ruido que pueden mejorar la detección de defectos sutiles en entornos industriales con poca luz. Crédito: Dr. Phan Xuan Tan / Shibaura Institute of Technology | Enlace de origen: www.sciencedirect.com/science/article/pii/s2590123025003901?via%3Dihub
En la industria, la detección de anomalías como rasguños, abolladuras y decoloraciones es crucial para garantizar la calidad y seguridad del producto. Sin embargo, los métodos convencionales dependen del procesamiento computacional pesado y la mejora de la imagen y pueden no reflejar realmente defectos sutiles, particularmente en entornos de poca luz.
Ahora, los investigadores han diseñado un modelo robusto con supresión de ruido y características adaptativas a la iluminación que mejoran la precisión y consistencia de la detección de anomalías en diversas superficies y texturas en entornos industriales mal iluminados. Su trabajo fue publicado en Resultados en ingeniería.
El control de calidad (QC) es un componente crítico de los procesos industriales que garantiza la confiabilidad del producto, la calidad y la seguridad. La detección de anomalías (AD), que se refiere al proceso de identificación de valores atípicos o eventos raros/inusuales en comparación con la mayoría, es crucial para identificar defectos durante la inspección del producto y el control de calidad.
La creciente rigidez en las regulaciones industriales y la creciente demanda de varios productos requieren sistemas publicitarios automatizados, robustos y eficientes que puedan detectar con precisión las anomalías. Sin embargo, AD se vuelve particularmente desafiante utilizando métodos tradicionales, dados los entornos oscuros y diversos en entornos industriales, incluidas las condiciones de poca luz.
Además, los modelos de anuncios que se basan en la mejora de la imagen con poca luz pueden estar limitados por artefactos e imágenes ruidosas que no reflejan con precisión defectos sutiles en las superficies industriales. Además, los sistemas publicitarios basados en el aprendizaje profundo requieren un amplio procesamiento de datos y recursos computacionales, que limitan su aplicación práctica generalizada.
Para superar este desafío, el Dr. Phan Xuan Tan, profesor asociado en el innovador Programa Global, la Facultad de Ingeniería, el Instituto de Tecnología de Shibaura, Japón, junto con el Dr. Dinh-Cuong Hoang y otros investigadores de la Universidad FPT, Vietnam, han diseñado “Darkad”, un nuevo marco de extremo a extremo que puede mejorar la EA en entornos industriales de baja luz. Los investigadores han introducido un adaptador de características (DAFA) consciente de la oscuridad que integra la reducción de ruido y el procesamiento de imágenes con poca luz.
Giving further insight into their work, Dr. Tan explains, “Unlike existing methods that rely on computationally expensive low-light image enhancement, DarkAD introduces DAFA, which enhances feature extraction through Frequency-Based Feature Enhancement (FFE) to suppress noise and Illumination-Aware Feature Enhancement (IFE) to amplify critical features in poorly lit areas. The proposed feature enhancement approach allows for real-time AD, reducing inspection errors and operational costos “.
Métodos convencionales basados en la reconstrucción y la incrustación de características utilizan conjuntos de modelos previamente capacitados para identificar desviaciones, mientras que los modelos basados en sintetización generan anomalías en imágenes normales para expandir el conjunto de datos. Sin embargo, estos enfoques están limitados por conflictos semánticos, grandes requisitos de almacenamiento de memoria y la incapacidad de imitar con precisión las anomalías de la superficie.
Un enfoque híbrido que combina las fortalezas de diferentes métodos puede mejorar la robustez de los sistemas AD. Simplenet es un enfoque híbrido que combina estrategias basadas en características y sintetizando, lo que permite la generación de anomalías abstractas y flexibles y EA computacionalmente eficiente.
No obstante, la detección de poca luz sigue siendo una preocupación. Los investigadores buscaron adaptar el modelo Simplenet para mejorar la EA en condiciones de poca luz y ruidosos.
En el marco actual, el módulo FFE mejora las características estructurales de baja frecuencia al tiempo que reduce el ruido de alta frecuencia, lo que permite una AD robusta incluso en condiciones de poca luz. El módulo IFE estima la iluminación en la imagen y mejora las regiones que están mal iluminadas, lo que mitiga los desafíos que resultan de la iluminación desigual. En particular, el modelo Darkad no requiere preprocesamiento o mejora de la imagen de entrada.
Además, la adaptación dinámica del modelo amplifica selectivamente las características de las regiones bien iluminadas, al tiempo que preservan las características cruciales de las regiones bajas, mejorando así su precisión de detección.
Además de diseñar el modelo de anuncios, los investigadores también reunieron un conjunto de datos de capacitación de anomalías utilizando imágenes de objetos industriales con diversas formas, tamaños, colores y materiales adquiridos en entornos de poca luz. Seleccionaron cuidadosamente objetos que representarían elementos industriales comúnmente encontrados, aumentando la aplicabilidad del mundo real del modelo.
Su conjunto de datos incluía objetos sin defectos y defectuosos que reflejan anomalías comunes, incluidos rasguños, abolladuras, decoloraciones, piezas faltantes y deformaciones superficiales. Finalmente, combinaron los datos recién adquiridos con conjuntos de datos existentes para mejorar la robustez y el alcance del modelo en diversos entornos industriales.
El modelo Darkad diseñado en este estudio superó significativamente al modelo Simplenet al detectar con precisión anomalías sutiles, incluso en objetos con texturas complejas en condiciones mal iluminadas. El modelo también logró una alta velocidad de detección, consistencia y precisión de localización en comparación con otros modelos de última generación.
En general, el marco Darkad es un modelo de anuncios robusto, de alto rendimiento, adaptativo e industrialmente escalable que puede aplicarse en diversos entornos industriales del mundo real. Su precisión en la detección de anomalías de diferentes tamaños y formas en diversos materiales y condiciones de iluminación complejas lo convierte en una valiosa herramienta de CC para la fabricación industrial automatizada, el monitoreo de infraestructura y la detección de mal funcionamiento del instrumento y otros riesgos industriales.
Destacando las diversas aplicaciones de su modelo, el Dr. Tan dice: “Darkad puede aplicarse potencialmente a diversas aplicaciones. Por ejemplo, fabricación de control de calidad para detectar defectos en piezas automotrices como embragues y neumáticos, componentes industriales que incluyen glándulas e insuladores de cables, y textiles con una iluminación deficiente.
“También puede habilitar el monitoreo automatizado las 24 horas, los 7 días de la semana y la inspección visual cerrada para detectar anomalías sutiles en fábricas de poca luz, almacenes, configuraciones de alto riesgo como sistemas de red eléctrica y entornos submarinos complejos, reduciendo así la dependencia de los inspectores humanos”.
Más información: Dinh-Cuong Hoang et al, detección de anomalías basadas en imágenes en entornos industriales de poca luz con mejora de características, resultados en ingeniería (2025). Doi: 10.1016/j.rineng.2025.104309
Proporcionado por el Instituto de Tecnología de Shibaura
Cita: el modelo basado en imágenes mejora la detección de defectos de la superficie en entornos industriales de baja luz (2025, 1 de mayo) Recuperado el 1 de mayo de 2025 de https://techxplore.com/news/2025-05-05-image basado en la imagen-surface-defects-industrial.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.
