Modelo baseado em imagem melhora detecção de defeitos em baixa luz industrial usando deep learning

Contexto da pesquisa

Tokyo, Japão — InkDesign News — Pesquisadores do Shibaura Institute of Technology, Japão, junto a colaboradores da FPT University, Vietnã, desenvolveram um novo modelo baseado em machine learning para detecção de anomalias em ambientes industriais com pouca iluminação. A solução visa aprimorar a qualidade do controle industrial por meio do reconhecimento automático de defeitos sutis em superfícies complexas, mesmo sob condições de baixa luminosidade.

Método proposto

O modelo denominado DarkAD é um framework end-to-end que integra adaptação de características com supressão de ruído e aprimoramento adaptativo da iluminação. Utiliza um Dark-Aware Feature Adapter (DAFA) composto por duas abordagens principais: Frequency-Based Feature Enhancement (FFE), que melhora a extração de características estruturais de baixa frequência reduzindo ruídos de alta frequência, e Illumination-Aware Feature Enhancement (IFE), que amplifica detalhes em regiões mal iluminadas da imagem, sem a necessidade de pré-processamento da imagem original.

DarkAD adapta dinamicamente a amplitude das características extraídas, equilibrando áreas com diferentes níveis de iluminação para manter a precisão na detecção. O modelo combina estratégias híbridas entre embedding de características e geração de anomalias, inspirado em SimpleNet, tornando a detecção eficiente e menos custosa computacionalmente.

Resultados e impacto

O desempenho do DarkAD superou o SimpleNet e outros métodos convencionais em métricas de acurácia, velocidade de detecção e localização precisa das anomalias, mesmo em superfícies altamente texturizadas e mal iluminadas. O dataset utilizado compreendeu imagens de objetos industriais variados, contemplando defeitos comuns como riscos, amassados, descoloração e partes faltantes, adquiridos em ambientes reais com baixa luminosidade.

“Diferente dos métodos existentes, que dependem de aprimoramento computacionalmente caro da imagem em baixa luz, o DarkAD introduz o DAFA, que melhora a extração de características por meio do aprimoramento baseado em frequência para suprimir ruídos e reconhecimento da iluminação para amplificar características críticas nas áreas mal iluminadas. Essa abordagem permite detecção em tempo real, reduzindo erros de inspeção e custos operacionais.”
(“Unlike existing methods that rely on computationally expensive low-light image enhancement, DarkAD introduces DAFA, which enhances feature extraction through Frequency-Based Feature Enhancement (FFE) to suppress noise and Illumination-Aware Feature Enhancement (IFE) to amplify critical features in poorly lit areas. The proposed feature enhancement approach allows for real-time AD, reducing inspection errors and operational costs.”)

— Dr. Phan Xuan Tan, Professor Associado, Shibaura Institute of Technology

O framework demonstrou robustez e escalabilidade em cenários industriais variados, com potencial para ampliar a automação de inspeção visual 24/7 em setores como automobilística, componentes industriais, têxteis, e ambientes de alto risco, reduzindo a dependência da inspeção manual.

Para saber mais, acesse nossa cobertura relacionada em machine learning e deep learning.

Fonte: (TechXplore – Machine Learning & AI)