Avanços nas Técnicas de Detecção de Defeitos em Tecidos

Detectar defeitos em tecidos é uma grande preocupação na indústria têxtil. Os clientes querem roupas de alta qualidade, então encontrar falhas é essencial. Agora, a galera faz a maior parte da inspeção. Esse método é caro e muitas vezes deixa passar defeitos devido ao cansaço ou distrações. Em média, os humanos conseguem encontrar só cerca de 60% dos defeitos, especialmente em padrões de tecido complicados, como listras. Com o tempo, os tipos de defeitos e os tecidos disponíveis continuam mudando. Os defeitos podem ser bem pequenos, o que torna câmeras de alta qualidade necessárias. Então, precisa de uma solução que não dependa de ter exemplos de tecidos defeituosos durante o treinamento e que também seja rápida.

Recentemente, métodos de detecção não supervisionados, que não exigem amostras rotuladas, se tornaram populares. Esses métodos usam características de redes que foram treinadas anteriormente e têm como objetivo representar os itens que analisam. Algumas técnicas populares incluem fluxo de normalização, banco de memória e destilação de conhecimento.

Nossa abordagem usa destilação de conhecimento, já que é rápida e eficaz para vários tipos de tecidos. Na destilação de conhecimento, existem dois modelos: um modelo professor que aprende a partir dos dados existentes e um modelo aluno que aprende só com amostras boas. O modelo aluno vai gerar diferentes representações quando se depara com anomalias. Essa abordagem é baseada na destilação reversa, onde o modelo professor atua como o codificador e o modelo aluno atua como o decodificador. Usando essa configuração, queremos que o aluno aprenda boas características para detectar anomalias.

#Visão Geral do Método

O objetivo principal é criar um detector forte para defeitos em tecidos através de um método de Destilação de Conhecimento Reversa. Essa nova técnica é especialmente projetada para detectar anomalias em tecidos. Escolhemos cuidadosamente como destacar características importantes e testamos nosso método em vários conjuntos de dados de tecidos, incluindo MVTEC AD, AITEX e TILDA, além de um conjunto de dados coletados de uma fábrica têxtil.

#Importância de Detectar Defeitos em Tecidos

Defeitos em tecidos podem significar grandes perdas para as empresas, já que levam a produtos insatisfatórios. O método atual de inspeção humana é demorado e nem sempre pega todos os problemas. Há uma necessidade urgente de processos automatizados que consigam identificar defeitos com precisão sem parar as linhas de produção. Técnicas que conseguem aprender a partir de exemplos normais e generalizar suas descobertas para detectar vários tipos de tecido são muito procuradas.

#Desafios na Detecção de Defeitos em Tecidos

Detectar defeitos em tecidos não é simples. A indústria enfrenta vários desafios, como:

1. Alta Variabilidade: Diferentes tipos de tecidos, cores e padrões significam que os defeitos podem parecer muito diferentes uns dos outros.

2. Complexidade Visual: Alguns tecidos têm padrões que dificultam a identificação de defeitos tanto para humanos quanto para máquinas.

3. Restrições Industriais: A produção têxtil precisa manter um fluxo suave; qualquer desaceleração pode ser cara. Portanto, os métodos precisam ser eficientes e não devem exigir muitas adaptações nos processos existentes.

4. Necessidades de Resolução: Defeitos pequenos podem ser percebidos apenas através de câmeras de alta resolução.

5. Falta de Amostras Defeituosas: Métodos de treinamento muitas vezes exigem amostras das anomalias, que nem sempre estão disponíveis.

#Introdução à Nossa Abordagem de Destilação de Conhecimento

Nosso método se centra em uma técnica de destilação de conhecimento. Ao selecionar e enfatizar partes críticas dos dados, nosso objetivo é uma detecção de defeitos mais confiável em padrões de tecidos. Para provar a eficácia da nossa técnica, realizamos testes com múltiplos conjuntos de dados de tecidos.

#Componentes Chave da Nossa Abordagem

• Destilação de Conhecimento Reversa: O modelo professor foi pré-treinado em conjuntos de dados gerais, e o modelo aluno aprende criando representações a partir de amostras de tecidos normais. Quando o aluno encontra um tecido anormal, ele gera saídas diferentes em comparação ao seu professor, permitindo a detecção de defeitos.

• Ênfase em Características: Nós focamos na seleção de camadas mais profundas em nossos modelos que retêm informações significativas, garantindo que nossa abordagem capture a essência das características do tecido sem complexidade desnecessária.

• Generalização de Domínio: Trabalhamos em um modelo que pode operar em vários tipos de tecidos, permitindo detectar defeitos de forma eficaz em diferentes ambientes.

#Trabalhos Relacionados

Esforços para detectar defeitos em tecidos resultaram em várias técnicas. Essas podem ser agrupadas em várias categorias:

1. Abordagens Estatísticas: Esse método inicial depende de modelos matemáticos para identificar anomalias nos dados de textura.

2. Deep Learning: Uma abordagem mais moderna que usa redes neurais para extrair padrões significativos das imagens dos tecidos.

3. Autoencoders: Uma técnica que tenta aprender representações eficientes dos dados, muitas vezes usada em configurações não supervisionadas.

4. Redes Adversariais Gerativas (GANs): Esses modelos são comumente usados porque podem gerar novos pontos de dados com base nas características aprendidas.

Cada abordagem tem seus benefícios e desvantagens, e enquanto algumas funcionam bem, podem não ser rápidas o suficiente para aplicações em tempo real em ambientes industriais.

#Nossa Abordagem de Destilação Reversa Residual

No nosso método especificamente, desenvolvemos uma técnica de destilação reversa residual. O objetivo desse design é capturar características-chave das imagens dos tecidos, focando em camadas específicas enquanto mantém os aspectos essenciais das texturas.

#Como Funcionam as Conexões Residuais

Adicionamos conexões residuais para garantir que dados importantes não sejam perdidos durante o processo de aprendizado. Esse método permite que nosso modelo retenha informações críticas enquanto processa. Ao lidar com defeitos em tecidos, essas conexões residuais ajudam a garantir os detalhes necessários das texturas.

#Embedding de Gargalo

Nossa arquitetura inclui um embedding de gargalo que ajuda a reunir características significativas. Esse gargalo usa métodos de convolução menores para comprimir as informações essenciais sem perder muitos detalhes.

#Conjunto de Dados para Testes

Coletamos um conjunto de dados único com 2.150 imagens de diferentes tecidos, cada uma apresentando vários defeitos. O conjunto de dados é essencial para testar nosso método e inclui uma variedade de tipos de tecidos e categorias de defeitos.

#Condições do Mundo Real

As imagens desse conjunto de dados foram tiradas sob condições do mundo real, revelando desafios como desfoque de movimento e luz variável. Ao usar imagens que retratam cenários da vida real, podemos avaliar melhor o desempenho do nosso método.

#Resultados e Descobertas

Avalimos nossa abordagem em vários conjuntos de dados, incluindo MVTEC AD, TILDA e AITEX, além do nosso conjunto de dados de tecidos industrial. Os resultados mostram que nosso método supera muitas técnicas existentes em termos de precisão e velocidade.

#Velocidade e Precisão

Um aspecto importante do nosso método é a sua velocidade. Como usamos arquiteturas de modelo menores, como ResNet18 e ResNet34, nossa abordagem garante tempos de processamento rápidos, o que é crucial em um ambiente de produção. Esse equilíbrio entre velocidade e precisão faz dela uma forte candidata para aplicações industriais.

#Medida de Cobertura

Também desenvolvemos uma métrica de cobertura para determinar quão bem nosso modelo ajuda operadores humanos na detecção de defeitos. Essa métrica avalia a capacidade do modelo de identificar defeitos enquanto mantém alta precisão, mostrando a aplicabilidade prática do nosso método.

#Conclusão

Resumindo, propomos uma abordagem nova para a detecção de defeitos em tecidos usando destilação de conhecimento reversa. Com uma forte ênfase em recursos de alto nível e processamento eficiente, nosso método se mostra eficaz para detectar anomalias em vários tipos de tecidos. Ao criar um conjunto de dados sob medida e focar em aspectos essenciais das texturas dos tecidos, estabelecemos a base para futuros avanços na inspeção automática de tecidos.

Nosso trabalho contínuo visa expandir o conjunto de dados e refinar ainda mais nossos métodos de detecção, garantindo que eles consigam acompanhar a evolução da indústria têxtil. Esse desenvolvimento contínuo vai aprimorar a robustez e adaptabilidade geral da nossa abordagem, levando a um controle de qualidade melhorado na fabricação de tecidos.