Détection d’anomalies de production auto-supervisée et prédiction de progression basée sur des vidéos à haut débit

Contexte

Dans l’industrie manufacturière moderne, la surveillance en temps réel de la production, la prédiction de la progression et la détection des anomalies sont essentielles pour garantir la qualité et l’efficacité de la production. Cependant, les méthodes traditionnelles de détection d’anomalies basées sur la vision présentent des limitations significatives dans la gestion du bruit de fond des processus de production et négligent souvent l’hétérogénéité des étapes de production. De nombreux environnements de fabrication, tels que la production d’avions, impliquent des tâches de collaboration homme-machine ou d’assemblage manuel de haute précision, qui sont difficiles à surveiller à l’aide de capteurs numériques embarqués, alors que les vidéos en temps réel des opérations sont facilement accessibles. Bien que la surveillance visuelle de la production soit largement utilisée dans des applications telles que l’inspection de surfaces de produits, les algorithmes existants continuent de rencontrer des difficultés pour distinguer les variations de fond normales des anomalies liées à la production.

Pour résoudre ces problèmes, Yifan Li et ses collègues du département de génie industriel de l’Université Tsinghua ont proposé une méthode intégrée qui combine la prédiction de progression et la détection d’anomalies, en utilisant l’auto-encodeur d’incorporation de probabilité de processus (Autoencoder Process Probability Embedding, APPE). Cette méthode repose sur la cartographie de la distribution des images de production normale vers un modèle de mélange gaussien (Gaussian Mixture Model, GMM) lié à la progression, en se concentrant sur l’identification des caractéristiques liées à la production et en minimisant les interférences de fond grâce à la carte d’activation spatiale (Spatial Activation Map, SAM).

Source de l’article

Cette recherche a été menée par Yifan Li, Zhi-Hai Zhang, Jiaqi Xu, Xiaowei Yue et Li Zheng du département de génie industriel de l’Université Tsinghua et a été publiée dans IEEE Transactions on Automation Science and Engineering. Elle sera officiellement publiée en 2025.

Déroulement de la recherche et résultats

Déroulement de la recherche

1. Définition du problème et analyse du contexte
   L’article commence par une analyse détaillée des limitations des méthodes existantes de surveillance visuelle de la production pour distinguer les caractéristiques liées à la production du bruit de fond, en particulier dans les environnements de production dynamiques où les changements de fond sont complexes. Les auteurs soulignent que les méthodes traditionnelles de détection d’anomalies reposent souvent sur des règles prédéfinies ou des étiquettes de catégorie, ce qui les rend peu adaptées aux anomalies imprévues dans les processus de production.

2. Proposition de la méthode APPE
   Pour surmonter ces problèmes, les auteurs proposent la méthode APPE. Le cœur de cette méthode repose sur la cartographie des caractéristiques d’image vers un espace latent de modèle de mélange gaussien, en utilisant le mécanisme SAM pour guider le modèle à se concentrer sur les caractéristiques liées à la production. Concrètement :

   • Encodeur (Encoder) : Transforme l’image en une variable latente à faible dimension suivant une distribution de mélange gaussien.
   • Carte d’activation spatiale (SAM) : Générée par un perceptron multicouche (MLP), elle est utilisée pour affiner les caractéristiques de l’encodeur.
   • Décodeur (Decoder) : Reconstruit l’image et calcule l’erreur de reconstruction activée spatialement (Spatial Activated Reconstruction Error, SARE) en utilisant la SAM comme pondération.
   • Fonction de perte : Combine la perte de log-vraisemblance négative (NLL), la perte triplet et la SARE pour entraîner le modèle APPE.

3. Conception de l’expérience et jeux de données
   Deux jeux de données de production réels ont été utilisés pour l’évaluation : la production de vannes d’eau et la production d’ailerons d’avions commerciaux. Le jeu de données de production de vannes d’eau comprend 11 vidéos d’assemblage, avec 29,529 images extraites pour l’entraînement, et 31 vidéos d’assemblage, avec 700 points d’anomalies et 5,790 points normaux annotés. Le jeu de données de production d’ailerons d’avions commerciaux provient de trois semaines de vidéos de surveillance d’usine, avec environ 46,000 images extraites, divisées en ensembles d’entraînement et de test.

4. Comparaison avec les méthodes de base et études d’ablation
   Les auteurs ont comparé la méthode APPE à trois algorithmes de détection d’anomalies connus (AE, VAE et DAGMM) et ont mené des études d’ablation pour valider le rôle clé de la SAM et de la NLL dans le modèle. Les résultats montrent que l’APPE excelle dans toutes les tâches de détection d’anomalies, en particulier sur le jeu de données de production de vannes d’eau, où l’APPE surpasse les modèles de base en termes d’AUC (aire sous la courbe) et d’EER (taux d’erreur égal).

5. Intégration de la prédiction de progression et de la détection d’anomalies
   L’étude propose également une méthode d’intégration de la détection d’anomalies et de la prédiction de progression, en utilisant l’analyse de probabilité a posteriori pour optimiser la précision et le taux d’erreur de la prédiction de progression. Les expériences montrent que la méthode intégrée améliore significativement la précision de la prédiction de progression et l’erreur en pourcentage quadratique moyen (MAPE) sur les deux jeux de données.

Principaux résultats et conclusions

1. Amélioration des performances de détection d’anomalies
   Sur le jeu de données de production de vannes d’eau, l’APPE atteint un AUC de 90,79% et un EER de 17,49%, surpassant nettement les autres modèles de base. Sur le jeu de données de production d’ailerons d’avions commerciaux, l’APPE obtient un AUC de 80,45% et un EER de 27,24%, démontrant également des performances exceptionnelles.

2. Efficacité de la SAM
   La SAM, en se concentrant sur les pixels liés à la production, améliore significativement la capacité du modèle à détecter les anomalies. Les études d’ablation montrent que la suppression de la SAM entraîne une baisse importante des performances, prouvant ainsi son rôle essentiel dans l’APPE.

3. Optimisation de la prédiction de progression
   Après l’intégration de la détection d’anomalies et de la prédiction de progression, la précision de la prédiction de progression sur le jeu de données de production de vannes d’eau passe de 94,60% à 95,37%, et le MAPE diminue de 5,03% à 4,97%. Sur le jeu de données de production d’ailerons d’avions commerciaux, la précision de la prédiction de progression passe de 92,25% à 92,36%, et le MAPE diminue de 4,97% à 4,95%.

Importance et points forts de la recherche

1. Innovation de la méthode APPE
   La méthode APPE, en combinant le modèle de mélange gaussien et la carte d’activation spatiale, propose un nouveau cadre de surveillance de la production, améliorant considérablement la précision et l’efficacité de la détection d’anomalies et de la prédiction de progression.

2. Mécanisme d’apprentissage auto-supervisé
   Le mécanisme d’apprentissage auto-supervisé proposé permet au modèle de prédire les anomalies imprévues en apprenant les caractéristiques des processus de production normaux, sans nécessiter de données d’anomalies.

3. Valeur pratique
   Cette recherche possède non seulement une valeur scientifique, mais fournit également une solution viable pour la surveillance en temps réel dans des environnements de production réels, en particulier dans des tâches complexes de collaboration homme-machine et d’assemblage manuel de haute précision, offrant un potentiel d’application étendu.

Conclusion

La recherche de Yifan Li et ses collègues, en proposant la méthode APPE, résout avec succès les problèmes de détection d’anomalies et de prédiction de progression dans la surveillance de la production. Cette méthode améliore non seulement la précision de la détection d’anomalies, mais optimise également les performances de la prédiction de progression grâce à l’intégration. Cette étude fournit un outil puissant pour l’industrie manufacturière, susceptible de jouer un rôle important dans la fabrication de haute précision et les environnements de production complexes.