AD-Copilot: Un modello visione-linguaggio per il rilevamento di anomalie industriali tramite confronto visivo in-context

AD-Copilot, un modello linguistico multimodale interattivo (MLLM), affronta le carenze nel rilevamento di anomalie industriali (IAD) sfruttando il confronto visivo in-context. I tradizionali MLLM, addestrati su dati web generici, faticano con le immagini industriali a causa di significative differenze di dominio e della codifica indipendente delle immagini, che limita la sensibilità alle sottili variazioni visive cruciali per l'IAD. Per superare questo limite, una nuova pipeline di curatela dei dati estrae conoscenze di ispezione da immagini industriali etichettate in modo sparso, generando campioni precisi per la descrizione, la risposta a domande visive (VQA) e la localizzazione dei difetti. Questo processo produce Chat-AD, un ampio dataset multimodale ricco di segnali semantici per l'IAD. AD-Copilot incorpora un Comparison Encoder che utilizza meccanismi di cross-attention per confrontare le immagini direttamente nello spazio visivo, migliorando l'accuratezza del rilevamento. Il modello è dettagliato nella preprint arXiv arXiv:2603.13779v2, annunciato come tipo replace-cross, concentrandosi su applicazioni specializzate in contesti industriali. Mira a migliorare il rilevamento delle anomalie integrando il contesto visivo, andando oltre i confronti nello spazio linguistico che ostacolano le prestazioni nei domini tecnici. L'approccio evidenzia i progressi nell'ispezione industriale guidata dall'IA, puntando all'efficienza e alla precisione nei processi di produzione e controllo qualità.