深度学习算法在工业异常检测应用的注意事项

深度学习异常检测算法是一个非常强大的工具，尤其适用于工业检测中难以通过传统方法定义的缺陷。

一、首先看下测试结果

1）正常图像检测结果如下

2）加入背景干扰检测结果如下(左侧的两条红线为加入的背景干扰)

3)加入位置偏移检测结果如下（将第一张图像中的目标进行左移）<未对齐>

注意：可见不能单纯的学习下正样本就行了。

二、主要特点

1）训练数据要求低（只是相对说法，后面进行详细说明）

（1）仅需正样本训练，该方法属于无监督或弱监督学习，模型主要通过学习大量正常样本的特征来工作，即不需要收集可能得所有缺陷类型（负样本）来训练模型。

（2）无需精确标注：训练过程不需要对图像中的缺陷进行繁琐的框选或像素级标注，极大地减少了数据准备的工作量。

注意：训练数据推荐无损格式（png和bmp），避免使用有损压缩的jpg格式，因为jpg的压缩噪点可能会干扰模型训练。

2）强大的检测能力

（1）检测未知缺陷：由于模型学习了“正常”模式，任何偏离该模式的区域（通过对比学习方法）（如划痕、污点、裂纹、装配错误等）都会被识别为异常，因此能够检测出训练时未见过的缺陷类型。

（2）兼顾结构和逻辑异常：

结构异常：指图像局部的物理缺陷，如划痕、污点、裂纹等；

逻辑异常：指图像内容在逻辑上的错误，例如瓶身贴错了标签，图像中对象的数量或位置不正确。

三、注意事项

一句话口诀“背景要稳、缺陷要显、光照要匀”

1）正常样本的质量和数量：用于训练的正常样本应尽可能代表实际生产中的各种正常情况（如不同的光照、角度等），并且数量充足，建议至少准备100张以上的高质量样本图像，以确保模型能学习到全面的正常特征。

2）环境一致性：训练时的拍摄环境（相机位置、光照条件等）获取的图像中的目标位置必须与实际检测时保持一致，否则可能导致误检。

3）背景要求：（越干净越好）

对图像目标和背景的要求核心在于“可区分性”和“一致性”。背景是算法学习正常模式的基础，要求非常严格。可使用ROI裁剪和图像配准来保证背景的一致性。

（1）一致性：背景的纹理、灰度或颜色应尽可能均匀、一致。如果背景本身变化多端（如复杂的木纹、大理石纹），算法很难判断什么事异常，容易产生误报。

（2）稳定性：在采集不同样本时，背景的位置和状态应保持稳定，如果是移动的背景，可通过模版匹配定位后，先将其对齐再进行处理。

（3）低噪声：背景不应包含过多的噪点。噪点会被算法误认为微小的异常。可在预处理中使用中值滤波或高斯滤波来平滑背景。

4）目标要求（异常缺陷）：与背景差异明显

这里的目标指的是检测的缺陷（如划痕、污点和裂纹）：

（1）高对比度：缺陷与背景在灰度值，颜色或纹理上必须有明显的差异。

（2）形态特征清晰：缺陷应有清晰的边缘或特定形状特征（如面积、圆形度）。

5）光照要求：均匀且无干扰

光照是影响图像质量的最关键因素之一。

（1）均匀性：光照必须均匀，避免出现局部过亮（高光）或过暗（阴影）。光照不均会导致背景灰度变化，被误判为异常。

（2）方向性：根据缺陷类型选择光照角度。

低角度光：适合突出表面的划痕，凹凸不平（利用阴影）。

同轴光/背光：适合检测轮廓的缺失、孔洞或平面度缺陷。