FABLE : Processus d'automatisation de détection des anomalies textiles

La détection non supervisée des anomalies en milieu industriel constitue un sujet préoccupant tout en représentant une étape clé vers des processus d’automatisation industrielle de haute performance. La majorité des méthodes orientées vers l’industrie se concentrent sur l’apprentissage à partir d’échantillons normaux afin de détecter les anomalies, bien que certains scénarios industriels exigeant une formation encore plus réduite, voire quasi nulle, nécessitent une généralisation plus poussée pour la détection des anomalies. Un cas d’usage évident est la détection des anomalies dans les tissus, où il faut faire face à une très large variété de couleurs et de types de tissus, et où l’arrêt de la chaîne de production pour la formation n’est tout simplement pas envisageable. Dans cet article, nous proposons un processus d’automatisation pour la détection des défauts de texture dans les tissus industriels, intégrant un processus d’apprentissage spécifique au sein d’une détection d’anomalies généralisée au domaine. En combinant la capacité de généralisation avec un processus d’apprentissage ciblé, notre méthode permet une détection et une segmentation des anomalies rapides et précises. Les contributions principales de cet article sont les suivantes : (1) une méthode de détection d’anomalies de texture généralisée au domaine atteignant les performances de pointe actuelles ; (2) une formation spécifique rapide à partir d’échantillons normaux extraits par la méthode proposée ; (3) une méthode d’évaluation automatisée basée sur la création de défauts personnalisés ; (4) une détection automatique des tissus déjà rencontrés, permettant d’éviter toute reformation inutile.