Perpustakaan Digital ITB

Kualitas produk industri menjadi faktor kunci dalam persaingan, dan deteksi anomali diperlukan untuk menjaga kualitas. Anomali dalam manufaktur meliputi anomali pada produk seperti goresan atau komponen yang tidak sejajar, dan deteksi anomali berbasis machine learning mendapat perhatian besar karena meningkatnya kebutuhan otomatisasi industri. Metode deteksi anomali pada penelitian dapat dilakukan dengan metode berbasis template. Metode berbasis template membangun himpunan template dari fitur-fitur normal hasil ekstraksi model deep learning. Metode tersebut membedakan antara pola normal dan anomali dengan mencocokkan query dengan himpunan template tersebut. Namun model ini sangat bergantung pada ketersediaan dan variasi template yang ada dan terkadang model mendeteksi anomali pada bagian background yang tidak perlu diobservasi. Jadi penelitian ini mengusulkan pendekatan baru yang belum dieksplorasi pada penelitian sebelumnya. Penelitian ini melakukan penambahan augmentasi data dan Foreground Estimation Branch serta modifikasi metode seleksi template menggunakan Agglomerative Clustering pada model Hard-normal Example Template Mutual Matching. Foreground Estimation Branch, yaitu cabang model yang memfokuskan deteksi pada wilayah foreground berhasil mengurangi skor anomali yang tinggi pada wilayah background. Penelitian ini merupakan yang pertama mengintegrasikan Agglomerative Clustering pada seleksi template model Hard-normal Example Template Mutual Matching untuk mempercepat proses dan meningkatkan performa model dalam mendeteksi anomali. Pengujian dilakukan pada dataset MVTec AD yang terdiri dari 15 kategori produk industri. Hasil penelitian menunjukkan bahwa gabungan penggunaan augmentasi data dan Foreground Estimation Branch berhasil meningkatkan performa model dalam lokalisasi wilayah anomali. Peningkatan Pixel-AUROC dari 98.7 menjadi 98.8 dan PRO dari 96.2 menjadi 96.4 dibandingkan model baseline. Kemudian ketika ditambahkan penggantian model clustering dengan Agglomerative Clustering, penelitian ini berhasil meningkatkan performa model dalam klasifikasi dan lokalisasi wilayah anomali. Peningkatan Image-AUROC dari 99.2 menjadi 99.6 dan PRO dari 95.8 menjadi 96.1 dibandingkan model baseline. Penelitian ini juga berhasil mempercepat proses seleksi template hingga 491 menit lebih cepat dibandingkan model baseline.