工业缺陷检测（异常检测）（⭐）—— 使用无监督方法（如PatchCore）在手机屏幕生产线上检测微小划痕。技术栈：OpenCV、Anomalib、MVTec AD数据集

摘要：随着智能手机制造精密度与品控要求的持续攀升，屏幕微划痕检测已成为产线视觉质检中最具挑战性的环节之一。传统基于有监督学习的检测方法严重依赖大量像素级标注缺陷样本，而划痕的随机性、微弱性和多样性使得有监督方案在工业落地中难以持续有效。本文系统梳理工业缺陷检测从传统图像处理到深度学习，特别是无监督异常检测范式的演进脉络，重点剖析PatchCore及其衍生模型在手机屏幕微划痕检测中的算法原理、工程实现与性能表现。结合OpenCV、Anomalib开源框架与MVTec AD等标准数据集，本文给出完整的实验设计、结果分析及工程部署建议，并针对小目标划痕、伪影干扰、实时性要求等工业真实挑战提出系统性解决方案。本文旨在为智能制造质检算法选型与优化提供理论参考与实践指南。

目录

第一章 引言

1.1 研究背景与意义

1.2 手机屏幕划痕检测的特殊挑战

1.3 本文贡献与组织结构

第二章 相关研究综述

2.1 传统异常检测方法

2.2 基于深度有监督学习的缺陷检测

2.3 无监督异常检测的主流范式

（1）重构式方法

（2）基于知识蒸馏

（3）归一化流（Normalizing Flow）

（4）基于预训练特征的异常评分

2.4 MVTec AD数据集与工业基准

第三章 核心算法原理：PatchCore及其改进

3.1 预训练特征提取

3.2 记忆库构建与核心集采样

3.3 异常评分与定位

3.4 针对微划痕的改进策略

（1）多级特征融合重加权

（2）自适应邻域聚合半径

（3）稀疏记忆库的类别平衡

第四章 实验设计与工程实现

4.1 数据集与评估指标

4.2 实验环境与超参数

4.3 对比方法设置

4.4 训练与推理流程

4.5 消融实验设计

第五章 实验结果与分析

5.1 MVTec AD基准结果

5.2 手机屏幕数据集性能

5.3 阈值敏感性分析

5.4 核心集采样率的影响

5.5 可视化分析

第六章 工程部署挑战与解决方案

6.1 光照与成像一致性

6.2 实时性优化

6.3 误报分析与抑制

6.4 模型更新与换型

第七章 讨论与展望

7.1 方法的局限性

7.2 与新兴技术趋势的融合

7.3 结论

参考文献

第一章 引言

1.1 研究背景与意义

全球智能手机年出货量常年维持在12亿部以上，每块屏幕从切割、抛光、镀膜到贴合，经历数十道工艺