Nuovo metodo di IA genera dati sintetici di difetti per l'ispezione di superfici industriali

Un recente articolo di ricerca presenta un metodo non supervisionato per identificare difetti superficiali in contesti industriali, integrando un Modello Probabilistico di Diffusione Denoiser con una progettazione asimmetrica di rete insegnante-studente. Questo approccio affronta problemi prevalenti come la scarsità di campioni difettosi, distribuzioni estremamente a coda lunga e la sfida di individuare difetti sottili su sfondi complessi. Inizialmente, il DDPM viene addestrato esclusivamente su campioni normali, producendo campioni difettosi di alta qualità con annotazioni a livello di pixel attraverso perturbazioni gaussiane e maschere di rumore Perlin. Questa generazione di dati sintetici mitiga le limitazioni dei dati garantendo coerenza fisica. Il modello presenta una rete dual-stream asimmetrica, dove la rete insegnante fornisce rappresentazioni stabili delle caratteristiche normali, mentre la rete studente migliora le differenze tra aree normali e difettose. Questa tecnica mira a migliorare l'accuratezza nelle ispezioni industriali dove i dati reali sui difetti sono limitati o sbilanciati. L'articolo è stato recentemente pubblicato su arXiv con l'identificatore 2604.19240v1.