Mô hình mới tăng hiệu quả phát hiện bất thường trong sản xuất công nghiệp
Việc áp dụng các hệ thống phát hiện bất thường tự động trong quá trình sản xuất ngày càng được áp dụng rộng rãi trong nhiều ngành công nghiệp khác nhau như sản xuất ô tô, điện tử và dược phẩm.
Các hệ thống phát hiện bất thường truyền thống dựa trên học có giám sát. Tuy nhiên, dữ liệu lỗi trong hầu hết các môi trường công nghiệp thường rất ít hoặc rất biến động, nên các phương pháp này không khả thi. Do đó, các mô hình học không giám sát chỉ dựa vào dữ liệu sạch (defect-free data) đã trở thành giải pháp mới đầy hứa hẹn.
Các phương pháp nhúng gần đây đã đạt được những kết quả vượt trội trong phát hiện bất thường không giám sát nhưng phụ thuộc vào ngân hàng bộ nhớ, dẫn đến việc tăng đáng kể mức tiêu thụ bộ nhớ và thời gian suy luận. Ngoài ra cũng kém hiệu quả trong điều kiện ánh sáng yếu hoặc ánh sáng thay đổi.
Nhóm nghiên cứu do PGS. Phan Xuân Tân ở Chương trình Toàn cầu đổi mới sáng tạo và Trường Kỹ thuật thuộc Viện Công nghệ Shibaura, Nhật Bản, và TS. Hoàng Đình Cường ở trường Đại học FPT, Việt Nam, dẫn dắt đã phát triển một mô hình không giám sát mới để phát hiện và định vị bất thường công nghiệp (IAD) bằng cách sử dụng ảnh theo cặp đủ sáng và thiếu sáng.
“Đây là phương pháp đầu tiên sử dụng ảnh ghép theo cặp trong điều kiện đủ sáng và thiếu sáng để phát hiện bất thường, đồng thời vẫn đảm bảo gọn nhẹ và hiệu quả về mặt bộ nhớ”, PGS. Phan Xuân Tân giải thích. Kết quả đã được công bố trên Journal of Computational Design and Engineering.
Mô hình này đã trích xuất bản đồ đặc trưng cho cả hình ảnh đủ sáng và thiếu sáng, ghi lại chi tiết về mặt kết cấu và cấu trúc. Sau đó, mô hình tinh chỉnh các đặc trưng này bằng hai module mới. Đầu tiên là module tăng cường đặc trưng thông thấp (LFE) tập trung vào các thành phần tần số thấp của bản đồ. Trong môi trường thiếu sáng, các đặc trưng tần số cao thường bị nhiễu, làm mờ các chi tiết bề mặt tinh tế cần thiết cho việc phát hiện bất thường. Bằng cách tập trung vào các đặc trưng tần số thấp, module LFE có thể khử nhiễu hiệu quả trong các hình ảnh thiếu sáng.
Một vấn đề khác thường gặp trong các hình ảnh thiếu sáng là hiện tượng ánh sáng phân bố không đồng đều. Module tăng cường đặc trưng nhận biết ánh sáng giải quyết vấn đề này bằng cách tạo ra một bản đồ ánh sáng ước tính để điều chỉnh các đặc trưng dựa trên sự thay đổi ánh sáng. Điều này góp phần tăng cường độ chính xác của các biểu diễn đặc trưng, ngay cả trong điều kiện ánh sáng không đồng đều.
Sau đó, đầu ra từ hai module này được tích hợp bằng module hợp nhất đặc trưng thích ứng, có khả năng nắm bắt các đặc trưng bổ sung và tăng cường các chi tiết liên quan nhất. Module này sử dụng các cơ chế chú ý (attention mechanism: kỹ thuật trong học máy giúp các mô hình học sâu ưu tiên xử lý những phần dữ liệu đầu vào quan trọng nhất) theo không gian (spatial attention) và cơ chế chú ý kênh (channel attention) lần lượt giúp loại bỏ các đặc trưng dư thừa, tập trung vào các đặc trưng liên quan và giữ lại các chi tiết nhỏ.
Sau đó, mô hình phát hiện các điểm bất thường bằng cách so sánh các đặc trưng đủ sáng được tái tạo từ các hình ảnh đầu vào thiếu sáng với các đặc trưng được trích xuất ban đầu. Công đoạn này tạo ra một bản đồ về những điểm bất thường, giúp xác định các vị trí lỗi và một điểm bất thường toàn cục. Phương pháp này cải thiện hiệu quả tính toán, do vậy, sẽ phù hợp với các ứng dụng công nghiệp theo thời gian thực.
Để đánh giá mô hình, các nhà nghiên cứu đã phát triển một tập dữ liệu mới có tên LL-IAD, bao gồm 6.600 hình ảnh ghép theo cặp trong điều kiện đủ sáng và thiếu sáng thuộc 10 phân lớp đối tượng. Họ cũng đã thử nghiệm mô hình trên các tập dữ liệu công nghiệp bổ sung, bao gồm Insulator và Clutch. Kết quả cho thấy mô hình vượt trội hơn đáng kể so với các phương pháp tiên tiến hiện có.
“Mô hình của chúng tôi mang đến một giải pháp hiệu quả về mặt tính toán, tốn ít bộ nhớ, thiết thực cho IAD trong các điều kiện sản xuất thiếu sáng”, PGS. Phan Xuân Tân nhận xét. “Ngoài ra, LL-IAD là tập dữ liệu đầu tiên được thiết kế riêng cho IAD trong điều kiện thiếu sáng, chúng tôi hy vọng đây sẽ là một nguồn tài nguyên giá trị cho các nghiên cứu trong tương lai”.□
Thanh An lược dịch
Nguồn: https://techxplore.com/news/2025-07-efficient-anomaly-dual.html
Bài đăng Tia Sáng số 15/2025
