Nhận dạng và định vị vị trí bất thường của mối hàn dựa trên mô hình FastFlow và Patchcore-Lite

Abstract

Welded joints are among the most failure-prone regions in mechanical structures, particularly as the weld surface is directly exposed to environmental conditions. Manual inspection of large volumes of welds is prone to human error. This study proposes an approach for anomaly detection and localization on weld surface images within regions of interest (ROI) using two deep learning models: FastFlow and PatchCore-Lite. A total of 5,451 images were standardized to a resolution of 512×512 pixels. Each image includes a weld mask, while anomalous samples are additionally annotated with defect masks serving as ground truth. Experimental results indicate that PatchCore-Lite achieves superior performance in anomaly detection at the image level, with an AUROC of 0.8978. In contrast, FastFlow demonstrates better localization performance within the ROI, achieving an FPR of 0.01875, a Dice score of 0.04175, and an IoU of 0.02161.These findings provide a foundation for developing automated weld surface defect inspection systems under conditions of limited defect data, which is a common constraint in industrial applications.

Tóm tắt

Mối hàn là vị trí dễ phát sinh hư hỏng trong kết cấu cơ khí, đặc biệt khi bề mặt mối hàn tiếp xúc trực tiếp với môi trường. Việc kiểm tra thủ công với số lượng lớn dễ dẫn đến sai sót. Nghiên cứu này đề xuất phương pháp nhận dạng và định vị bất thường trên ảnh bề mặt mối hàn trong vùng quan tâm (ROI) dựa trên hai mô hình học sâu FastFlow và PatchCore-Lite. Bộ dữ liệu gồm 5.451 ảnh được chuẩn hóa về kích thước 512×512 pixels. Mỗi ảnh có mặt nạ mối hàn (weld mask), trong khi các ảnh bất thường có thêm mặt nạ lỗi (defect mask) làm dữ liệu chuẩn (ground truth). Kết quả thực nghiệm cho thấy PatchCore-Lite đạt hiệu quả tốt hơn ở mức nhận dạng bất thường với AUROC = 0,8978, trong khi FastFlow cho kết quả tốt hơn ở định vị trong ROI với FPR = 0,01875, Dice = 0,04175 và IoU = 0,02161. Nghiên cứu là cơ sở cho việc phát triển các phương pháp kiểm tra tự động lỗi bề mặt mối hàn trong điều kiện dữ liệu lỗi hạn chế.