Anomaly detection as a quality control tool in an industrial context

Abstract

This thesis reports on the development of an automated anomaly detection (AD) systemfor industrial quality control (QC), addressing inefficiencies of manual inspections and current practices. Leveraging machine learning and computer vision techniques, this work optimizes QC using AD algorithms. The research includes a review of AD techniques, algorithm development, hyperparameter optimization, performance evaluation, real-time implementation, and API backend creation. Central to this work is a framework built on an autoencoder (AE) architecture, optimized with a custom objective function that leverages data augmentation techniques to be trained using only defect-free images. Designed as a plug-and-play solution, it can be deployed across various production lines via API calls. This study assessed fourmethodologies, each building upon the one before, except for the variational approach, which showed no improvements. The best strategy involved a refined hyperparameter optimization coupled with advanced data augmentation techniques. The overall results were primarily attributed to the developed post-processing techniques and the use of the BCE metric for evaluation. In academic evaluations on theMetal Nut subset of the MVTec AD dataset, thiswork surpassedSOTA in the MSE AE regime, achieving an AUC of 0.87 and an IoU of 0.37, outperforming handcrafted methods in the literature by ≈ 1.2% and ≈ 42.3%, respectively. Although only slightly outperformed in AUC by the top SOTA method, which achieved 0.89, the methodology still delivered highly competitive results. In collaboration with industrial partners, the system successfully detected anomalous parts using a real-world dataset. The results validate the novel methodology and showcases the potential of data-augmented NOKs as an alternative to real-world defects. Aligned with Industry 4.0 objectives, this work contributes to the advancement of smarter, data-driven manufacturing processes, facilitating the development of more automated quality control systems, reducing industrywaste, and improving market competitiveness.

Esta tese relata o desenvolvimento de um sistema automatizado de deteção de anomalias (DA) para controlo de qualidade (CQ) industrial, abordando ineficiências das inspeções manuais e práticas atuais. Utilizando técnicas de aprendizagem automática e visão computacional, este trabalho otimiza o CQ com algoritmos de DA. A investigação cobre uma revisão de técnicas de DA, desenvolvimento e otimização de algoritmos, avaliação de desempenho, implementação em tempo real e criação de uma API. A framework central é baseada num autoencoder (AE) otimizado com uma função objetivo personalizada e aumento de dados, treinado apenas com imagens sem defeitos, e concebido como uma solução plug-and-play implementável em várias linhas de produção via API. Este estudo analisou quatrometodologias, cadaumaincrementalemperformance, excetoumaabordagem variacional, sem melhorias. A melhor estratégia combinou otimização de hiperparâmetros e aumento de dados. Os resultados devem-se principalmente às técnicas de pós-processamento e à métrica BCE para avaliação. Em avaliações no subset Metal Nut do MVTec AD, este trabalho superou o SOTA no regime MSE AE, atingindo AUC de 0.87 e IoU de 0.37, superando métodos tradicionais da literatura em ≈ 1.2% e ≈ 42.3%, respetivamente. Ligeiramente inferior ao melhor AUC do SOTA (0.89), a metodologia ainda assim apresentou resultados altamente competitivos. Em colaboração com parceiros industriais, o sistema detetou com sucesso peças anómalas num conjunto de dados real. Os resultados validam a metodologia inovadora e demonstram o potencial de NOKs aumentados como alternativa a defeitos reais. Alinhado com a Indústria 4.0, este trabalho contribui para manufatura mais inteligente, reduzindo o desperdício e aumentando a competitividade.