Comment améliorer les performances des modèles de détection d’anomalies visuelles

1. Introduction: Pourquoi cet article a été créé.
2. Détection d’anomalies : Aperçu rapide.
3. Taille de l’image : Une taille d’entrée plus grande en vaut-elle la peine ?
4. Recadrage central : Concentrez-vous sur l’objet.
5. Suppression de l’arrière-plan : Supprimez tout ce dont vous n’avez pas besoin.
6. Arrêt anticipé : Utilisez un ensemble de validation.
7. Conclusion

1. Présentation

Il existe plusieurs méthodes pour améliorer les performances, qui sont utilisées par les auteurs universitaires pour permettre au modèle proposé de se démarquer plus facilement en montrant des résultats plus impressionnants par rapport à d’autres modèles. Par exemple, utiliser une taille d’entrée plus grande, ce qui permet de détecter les petits défauts ; une autre consiste à supprimer une partie de l’arrière-plan pour réduire les faux positifs.

Une telle approche peut s’avérer faible dans le monde universitaire, car elle rend les comparaisons entre différents modèles moins équitables et pourrait ne pas fonctionner aussi bien sur tous les ensembles de données. Cependant, ces méthodes peuvent également être utilisées pour améliorer les performances dans des applications pratiques si elles sont appliquées avec soin. Dans cet article, nous passerons en revue plusieurs des méthodes les plus puissantes et expliquerons comment les utiliser pour obtenir de meilleurs résultats tout en évitant les inconvénients potentiels.

2. Détection des anomalies

Les modèles de détection d’anomalies sont souvent qualifiés de « non supervisés », mais cette appellation peut être trompeuse car la plupart d’entre eux ne nécessitent qu’une seule classe pour l’entraînement, des images normales sans défauts. Pour s’entraîner avec une seule classe, les données doivent être étiquetées dans des classes distinctes, ce qui diffère de la définition habituelle de sans surveillance apprentissage.

Sur la base des images normales utilisées pendant la formation, le modèle apprend à quoi ressemble la « normalité » et devrait être capable d’identifier les écarts par rapport à celle-ci en tant qu’images présentant des défauts. Ces défauts sont souvent petits
et difficile à voir, même pour les inspecteurs professionnels sur une chaîne de production. L’exemple ci-dessous montre une goutte de pâte à souder sur l’un des contacts, difficile à repérer sans le masque de vérité terrain indiquant l’emplacement du défaut à droite.

Pour plus de détails sur la détection visuelle des anomalies industrielles, voir ce message ou cette enquête.

3. Taille de l’image

Si les images de votre ensemble de données présentent de petits défauts (moins de 0,2 % de l’image environ, ce nombre est arbitraire et dépend du modèle utilisé et d’autres facteurs) que le modèle ne peut pas détecter, essayez d’augmenter la taille d’entrée. Il est souvent utile de détecter de tels défauts en les rendant suffisamment grands pour que le modèle puisse les voir.

Lorsque de gros défauts (10 % de l’image ou plus, ce nombre est également arbitraire) sont présents, vous devez être plus prudent lors de la sélection du modèle. Certains modèles, comme PatchCoreaffiche de meilleurs résultats pour différentes tailles de défauts avec une taille d’entrée plus grande, d’autres, comme RD4ADpeut se dégrader considérablement en cas de défauts plus importants, comme décrit dans notre document de référence, Languette. 5 et 14. La meilleure pratique consiste à tester les performances du modèle sélectionné sur différents types de défauts dont vous disposez.

Une autre considération importante lors de l’utilisation d’une taille d’entrée plus grande est la vitesse d’inférence et les contraintes de mémoire. Comme le montre
Papier MVTec AD 2, Fig.6le temps d’inférence et l’utilisation de la mémoire ont augmenté de manière significative pour presque tous les modèles testés avec des tailles d’entrée plus grandes.

4. Centrer le recadrage

Si vous avez des données avec un objet au centre d’une image et que le reste peut être recadré en toute sécurité, allez-y. Comme le montre l’image ci-dessous, un recadrage plus proche de la pièce inspectée permet d’éviter les faux positifs. Un effet secondaire important est que la taille relative de la pièce inspectée augmente également ; comme décrit précédemment, cela peut vous aider à obtenir de meilleurs résultats pour les petits défauts ou à augmenter la vitesse d’inférence en vous permettant de réduire la taille de l’image.

Avertissement: Les ensembles de données les plus courants présentent un cas dans lequel l’objet principal peut être rogné au centre en toute sécurité, comme le montre Fig.2 iciou dans l’image ci-dessus. Pour cette raison, de nombreuses implémentations originales de l’état de l’art méthodes inclure augmentation des cultures centrales. L’utilisation d’un recadrage central peut s’avérer problématique dans les applications réelles avec des défauts près des bords de l’image ; dans ce cas, assurez-vous que ce recadrage est désactivé.

5. Suppression de l’arrière-plan

Supprimez l’arrière-plan pour avoir encore moins de faux positifs. De la même manière que pour l’application d’un recadrage central, assurez-vous que les anomalies ou défauts dans la zone enlevée n’affectent pas la qualité de la pièce produite. Si vous n’avez jamais eu de défauts dans une partie de l’objet dans le passé, ne l’enlevez pas, car des défauts peuvent y apparaître à l’avenir et vous ne voulez pas les manquer.

6. Arrêt anticipé

La plupart des modèles de détection d’anomalies utilisent un nombre d’époques fixe, qui est souvent optimisé pour les ensembles de données courants. Il pourrait être avantageux d’essayer arrêt précoce sur vos données pour éviter le surajustement ou vous entraîner plus rapidement avec moins d’époques. L’arrêt précoce est parfois utilisé à mauvais escient en utilisant les performances des ensembles de tests pour arrêter l’entraînement, ce qui rend les résultats rapportés irréalistes. Cependant, si vous l’appliquez à un ensemble de validation distinct, vous pouvez toujours obtenir une amélioration substantielle, comme le montre Languette. 9 ici.

Avertissement: Certaines implémentations originales de modèles de pointe peuvent utiliser un arrêt anticipé sur l’ensemble de test ou rapporter les meilleurs résultats à toutes les époques en fonction des performances de l’ensemble de test. Examinez le code avant de l’exécuter pour vous assurer que vous n’aurez pas de modèle surajustant l’ensemble de test avec des résultats trop optimistes.

7. Conclusion

• Augmenter la taille de l’image
  • À FAIRE : vérifier si le modèle sélectionné est capable de détecter différentes tailles de défauts ; assurez-vous que la vitesse d’inférence est suffisante
  • À NE PAS FAIRE : manquer de gros défauts
• Recadrage central
  • À FAIRE : assurez-vous que l’objet inspecté est entièrement dans l’image après le recadrage
  • À NE PAS FAIRE : manquer des défauts dans la zone supprimée
• Supprimer l’arrière-plan
  • À FAIRE : assurez-vous que la zone que vous supprimez n’est pas pertinente pour l’inspection
  • À NE PAS FAIRE : manquer des défauts en arrière-plan
• Arrêt anticipé
  • FAIRE : utiliser l’ensemble de validation
  • À NE PAS FAIRE : ensemble de tests de surajustement

Assurez-vous que l’application de ces méthodes ou leur combinaison n’entraînera pas de défauts manqués. Certains d’entre eux peuvent se retourner contre eux même s’ils sont appliqués à un autre ensemble de données accessible au public. Dans un scénario réel, cela pourrait entraîner la livraison de pièces défectueuses à un client.

Cependant, s’ils sont utilisés avec précaution, ils peuvent améliorer sensiblement les performances des modèles de détection d’anomalies dans des applications pratiques en exploitant la connaissance de vos données et de vos défauts.

Suivez l’auteur sur LinkedIn pour en savoir plus sur la détection visuelle des anomalies industrielles.

Références

1. A. Baitieva, Y. Bouaouni, A. Briot, D. Ameln, S. Khalfaoui et S. Akcay. Au-delà des références académiques : analyse critique et meilleures pratiques pour la détection visuelle des anomalies industrielles (2025), Atelier CVPR sur la détection des anomalies visuelles et des nouveautés (VAND)
2. Y. Zou, J. Jeong, L. Pemula, D. Zhang et O. Dabeer, Pré-formation auto-supervisée SPot-the-Difference pour la détection et la segmentation des anomalies (2022), ECVC
3. S. Akcay, D. Ameln, A. Vaidya, B. Lakshmanan, N. Ahuja et U. Genc, Anomalib (2022), ICIP
4. J. Liu, G. Xie, J. Wang, S. Li, C. Wang, F. Zheng et Y. Jin, Détection profonde d’anomalies d’images industrielles : une enquête (2024), Recherche sur l’intelligence artificielle
5. L. Heckler-Kram, J. Neudeck, U. Scheler, R. König et C. Steger, L’ensemble de données MVTec AD 2 : scénarios avancés pour la détection d’anomalies non supervisée (2025), préimpression arXiv
6. K. Roth, L. Pemula, J. Zepeda, B. Schölkopf, T. Brox, P. Gehler, Vers le rappel total dans la détection des anomalies industrielles (2022), CVPR