Mejora de la detección de anomalías de imágenes ultrasónicas no supervisadas mediante filtrado de características...

Área de la Ciencia:

• Pruebas no destructivas (NDT)
• Inteligencia Artificial (IA)
• Visión por Computadora

Sus antecedentes:

• La detección de anomalías de imágenes ultrasónicas se ve obstaculizada por datos etiquetados limitados, ruido y diversos tipos de defectos.
• Los métodos existentes luchan con las complejidades de los defectos de empaquetado de chips del mundo real.

Objetivo del estudio:

• Presentar UltraChip, un conjunto de datos de referencia a gran escala de C-scan para la detección de anomalías ultrasónicas.
• Presentar FSGM-Net, un marco completamente no supervisado para la detección precisa de anomalías a nivel de píxel.
• Avanzar las pruebas no destructivas (NDT) ultrasónicas sin anotaciones para aplicaciones prácticas.

Principales métodos:

• Desarrollo del conjunto de datos UltraChip con ~8,000 imágenes C-scan del mundo real y anotaciones a nivel de píxel.
• Propuesta de FSGM-Net, un marco no supervisado que utiliza filtrado adaptativo de frecuencia-espacial y un Modelo de Mezcla Gaussiana Adaptativa (Ada-GMM).
• Implementación de una nueva pérdida de filtro y compuerta dispersa basada en entropía para mejorar la consistencia de las características y la ponderación de la normalidad.

Principales resultados:

• FSGM-Net logró un rendimiento de vanguardia en el benchmark UltraChip.
• Demostró capacidades superiores de generalización entre dominios en los conjuntos de datos MVTec-AD y VisA.
• Logró velocidades de inferencia en tiempo real en una sola GPU.

Conclusiones:

• El conjunto de datos UltraChip y el marco FSGM-Net mejoran significativamente las capacidades de detección de anomalías ultrasónicas.
• Los métodos propuestos ofrecen soluciones robustas y sin anotaciones para aplicaciones prácticas de NDT.
• La efectividad y eficiencia de FSGM-Net allanan el camino para una mayor adopción en la inspección industrial.