浅谈视觉异常检测在工业质检领域的前景

近年来，人工智能已经逐步进军工业质量检测行业，并且取得开端进展，AI在工业领域的可行性、落地性已经在工业领域各场景中获得了证实。目前质检领域大多接纳深度学习中的目标检测算法。因为深度学习目标检测偏向在社会上用处广泛，为生活提供了 的便当，获得了公共广泛的认可。虽然通用性极强的目标检测算法应用在了各行各业，可是其在工业领域的毛病逐渐泛起了出来，深度学习能在自然场景中取得 的进展不但单是算法上不绝地迭代进步，与算法并驾齐驱的另有其所依赖的庞大的标注数据集。也就是说，监督算法极其依赖标注数据集，需要大宗的数据供神经网络进行学习，一个好的数据集直接影响模型的精度。然而数据集收集困难是目标检测在大大都工业领域遇到的难点之一。

有人会说没有数据，慢慢积累不就好了吗？确实，积累数据简直是一种要领，可是积累数据保存时间跨度上的问题，想要积累出一个精度高的模型，需要大宗时间，因为质量标准要求高的工业视觉缺陷检测场景中，很少能产有缺陷零件，更别说能积累出零件各个位置上全可能泛起的种种形态缺陷的数据集。并且此时间跨度关于整个项目与客户都是不可接受的。

目前，使用深度学习目标检测进行工业缺陷检测时，主要有以下缺点：

（1）缺陷未知性：由于缺陷的成像有位置、形状、光源等影响因素在，差别因素会组合成种种各样的缺陷，将使得AI目标检测算法学习起来变得异常困难。只能不绝增加已知的缺陷类别，如果将来泛起未知类型的缺陷类别，设备将失去其该有的作用，可能会给生产方带来损失。

（2）缺陷收集困难：缺陷数据集收集困难，人造或合成的缺陷与真实缺陷相差大，保存低质量样本数据，数据收集周期较长，可能连续推迟设备的交付日期，这使得生产方将在人力本钱上继续投入，且项目前期误检漏检情况泛起频繁，使得使用方对设备检测能力的信心泛起摆荡，这将违背深度学习在工业领域的初志，为企业提供智能化、无人化的工厂，减小历程本钱。

（3）低频缺陷拦截困难：纵然是已知且数据集富足类别的缺陷，也会泛起与此种类别特征不相近的缺陷，可能泛起漏检情况

基于以上问题点，异常检测算法应用在工业质检行业的优势就涌现了出来，因为无监督算法的特性在，可以绕开目标检测算法在工业领域遇到的部分问题。

异常检测算法优势：

（1）异常检测是无监督算法，不需要缺陷数据集，需要ok数据集即可，部分异常检测算法需要少量ok数据集，制止了收集缺陷困难的问题。

（2）不需要对种种别各形态缺陷进行定性，制止了新类别或新特征不可检出问题，制止了难区分缺陷类别的认定。

（部分图片源自于网络）

鉴于以上问题，通过深度学习异常检测算法，制止了低频缺陷数据集收集困难，未知类别缺陷难拦截的问题，并在缺陷数据集缺乏的情况下，能够很好的解决检出问题。关于工业领域的零漏检的高标准要求更进一步。U效的减少了项目周期，越发快速的给企业带来生产环节上的效益增长。

异常检测：

异常是指偏离预期的事件或项目。与标准事件的频率相比，异常事件的频率较低。产品中可能泛起的异常通常是随机的，例如颜色或纹理的变革、划痕、错位、缺件或比例过失。

异常检测（Anomaly Detection）也称偏差(deviation)检测或者离群点(outlier)检测，从数据的角度来看，其实就是检测出和众多其他视察值差别很是大的一个特殊的视察值。异常检测在历史上实际是数据预处理的一个办法，可是在现代研究中越来越重要，逐渐生长为一个独立的领域。

无监督异常检测：

没有标签情况下，往往目标是将一个得分或标号付与给每个数据工具。好比聚类算法，凭据一些规则将数据进行无监督的聚类。简单直白地讲，如果聚类簇比较偏远，或者密度比较少，可能就是异常。类似查找图像离群点算法如伶仃森林、SVM等。 可是基于检测图像中离群点是不稳定的，由于零件自己形态特性庞大，许多时候不可区离开正常点与离群点。

以前基于深度学习的事情主要集中在生成算法，如生成对抗网络(GAN)或变分自动编码器(VAEs) 。无监督生成模型通过学习真实数据的实质特征，刻画出样本数据的漫衍特征，生成与训练样内幕似的新数据。模型能够发明并U效地内化数据的实质，并生成这些数据。生成式模型可以用于在没有目标类标签信息的情况下捕获视察到可见数据的高阶相关性。

如基于生成对抗网络(GAN)或变分自动编码器(VAEs)的生成网络，在该网络中，编码器接受输入数据，并将其压缩为潜伏空间体现，然后解码器将从该空间重构输入数据。

VAE将图像转换为统计漫衍的参数：均值和方差。然后，VAE使用均值和方差参数随机采样漫衍的一个元素，并将该元素解码回原始输入。该历程的随机性提高了鲁棒性并迫使潜在空间在任何地方编码有意义的体现：在潜在空间中采样的每个点被解码为U效输出。

基于GAN的网络比较经典的如AnoGAN,它有两个对抗模型：生成网络和判别网络。生成网络G从潜在空间中随机采样（随机爆发噪声）作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络D的输入则为真实样本与生成网络的输出，输出为一个标量，代表其为真实样本而不是生成样本的可能性，其目的是将生成网络的输出从真实样本中尽可能区分出来。生成网络要尽可能地欺骗判别网络。两个网络相互对抗、不绝调解参数，Z终目的是使判别网络无法判断生成网络的输出结果是否真实。生成器G看成解码器decoder，区分器D视为编码器encoder（AE）。在测试阶段，输入原始图像，生成器输出与原图比对可以找到异常区域，区分器输出又可以作为异常值，凌驾 阈值则可认为是异常样本。

尽管它们是异常检测基于逐像素重建误差或评估模型概率密度漫衍的一种U效要领，可是其应用在检测领域可能保存 F面效果，即通过比较重构出来的图像之间的像素值的差值来确定是否异常是不稳定的，因为保存形态重构正常可是像素值巨细有差别的情况，如此求差的话将爆发异常区域，但这种情况其实是在正常区域爆发的。

结语：

随着深度学习算法不绝进军工业界，效劳于工业领域的AI算法也将越发成熟、稳定，针对工业领域的算法与解决计划不绝的涌现，其数据集也在不绝收集中，且泛起了异常检测算法评估数据集MVTec，在异常检测算法频繁刷榜MVTec后，相信在不久将来会广泛应用于工业领域。由于目标检测极其依赖缺陷数据集，异常检测可能在某些情形下会替代目标检测，或许两者结合才是更佳的计划。

文章来源：新机械视觉（*如有版权问题请联系后台，将在24小时内删除文章）