Prototype-Guided Dynamic Domain Modulation and a Large-Scale Multi-SKU Benchmark for Shampoo Bottle Surface Defect Detection

{"tags": ["Computer Vision", "Defect Detection", "Bottle-SKU", "ProDMM", "Grounding DINO", "Industrial AI", "Multi-SKU"], "risks": ["Hiệu năng có thể suy giảm khi gặp các SKU hoàn toàn mới (out-of-distribution/unseen SKUs) chưa có prototype trong quá trình huấn luyện.", "Chi phí tính toán và độ trễ của cơ chế dynamic modulation khi triển khai thực tế trên các thiết bị biên (edge devices) hoặc camera công nghiệp thời gian thực.", "Sự phụ thuộc vào chất lượng ảnh mẫu để xây dựng prototype đại diện chính xác cho từng biến thể sản phẩm."], "category": "Research", "entities": ["ProDMM", "Bottle-SKU", "Grounding DINO", "GC10-DET-SKU"], "summary_vi": "Nghiên cứu giới thiệu Bottle-SKU, bộ dữ liệu benchmark phát hiện khuyết tật vỏ chai dầu gội đa SKU đầu tiên có gán nhãn chi tiết mức thực thể, cùng phương pháp ProDMM (Prototype-Guided Dynamic Domain Modulation). ProDMM sử dụng visual prototype đại diện cho từng SKU để sinh điều chế low-rank Q/V động trên visual backbone và residual conditioning trên Grounding DINO, giúp xử lý hiệu quả sự biến thiên ngoại quan giữa các mã sản phẩm trong môi trường sản xuất thực tế.", "key_changes": ["Công bố tập dữ liệu benchmark Bottle-SKU quy mô lớn gồm 13.119 ảnh, 20.419 bounding box gán nhãn mức thực thể, 7 nhóm lỗi trên 48 SKU vỏ chai dầu gội khác nhau.", "Đề xuất kiến trúc ProDMM (Prototype-Guided Dynamic Domain Modulation) xây dựng visual prototype cho từng SKU và dự đoán phân phối soft SKU từ ảnh đầu vào.", "Tạo điều chế ma trận hạng thấp (low-rank Query/Value modulation) cho visual backbone và điều hòa phần dư (residual conditioning) cho cơ chế defect-text-to-visual attention trong khi vẫn bảo toàn luồng xử lý Grounding DINO.", "Huấn luyện liên hợp mô hình với các hàm mất mát phát hiện đối tượng, phân loại miền SKU và điều chuẩn modulation (regularization)."], "sub_category": "Computer Vision / Industrial Defect Detection", "novelty_score": 76, "business_score": 75, "research_score": 80, "why_it_matters": "Trong sản xuất công nghiệp, đặc biệt là ngành hàng tiêu dùng nhanh (FMCG), việc thay đổi mẫu mã/SKU thường làm giảm nghiêm trọng độ chính xác của các mô hình kiểm tra lỗi bề mặt truyền thống do khác biệt về hình học, chất liệu và phản xạ ánh sáng. Nghiên cứu này giải quyết nút thắt thiếu dữ liệu đa SKU với bộ benchmark Bottle-SKU, đồng thời đề xuất ProDMM giúp thích ứng miền động mà không cần tinh chỉnh toàn bộ mô hình nền tảng, mang lại giá trị thực tiễn cao cho việc tự động hóa QA/QC đa sản phẩm.", "developer_score": 72, "importance_score": 72, "possible_use_cases": ["Kiểm tra chất lượng (QC) bề mặt tự động trên các dây chuyền sản xuất và đóng chai có nhiều mã sản phẩm (SKU) thay đổi liên tục.", "Phát hiện khuyết tật trên các bề mặt vật liệu công nghiệp đa biến thể như kim loại (GC10-DET-SKU) hoặc nhựa/thủy tinh.", "Tận dụng các mô hình thị giác nền tảng (Foundation Models/Grounding DINO) cho môi trường công nghiệp chuyên biệt thông qua cơ chế điều chế thích ứng nhẹ (low-rank domain modulation)."], "actionability_score": 70}