什么是异常检测？
一种能学习良品正常外观并标记任何偏离该外观的检测方式。 由于它从不需要缺陷样本，因此能够捕捉到 任何人都没有预料到的故障模式，这是用固定缺陷清单训练的模型做不到的。
适用场景
六种适合选用该方案的情况
不存在缺陷图像
该故障每月发生一次，报废的零件没有留下照片，也没有人能描述下一次会是什么样子。这是检测系统从未建成的最常见原因，也正是本方案所针对的场景。
缺陷清单是开放式的
污染物、异物和外观损伤并非来自一份有限的清单。用您已知的八种缺陷训练的模型，从原理上就会漏掉第九种。
纹理或图案表面
当没有两个良品外观完全相同时，按外观描述缺陷的方式就会失效。而描述正常范围的边界则不会。
小批量、多品种
一个每年只生产几百次的零件号，永远无法积累出一套已标注的缺陷数据。而二十个良品样本，在第一批生产中就能获得。
作为已知缺陷之上的安全网
与处理已知故障的有监督模型并行运行，捕捉任何未被预见的情况。两个模型检测的是同一张采集图像。
早期生产和新产品导入（NPI）
在故障模式还没有被充分了解到可以命名之前，而这恰恰是工艺最不稳定、检测最有价值的阶段。
输出结果
四种输出，以及使其真正可用的那一种
异常检测模型不会返回类别和置信度。理解它实际返回内容的形态，正是避免灵敏度设置成为争论焦点的关键。
异常图
显示零件偏差位置的热力图。这是操作员看到的内容，也是该工具在车间站得住脚的原因：摄像头指向具体位置，而不仅仅是宣布不合格。
异常分数
一个数字反映零件整体的异常程度。最有用的用法是作为趋势观察，因为一个班次内的缓慢上升说明工艺在漂移，而不是出现了一个坏件。
斑点统计
将偏差区域进行分组和测量，给出面积和位置。这正是形成可用规则的关键：不是任何偏差都算，而是超过约定面积的偏差才算。
运行时灵敏度
在训练完成后调整，而不是固化在训练过程中，因此触发阈值可以根据实际生产情况调整，无需重新采集数据或重新训练。
真实的局限
异常检测有一个典型的弱点，与其被人发现，不如提前说明清楚。模型是根据提供给它的良品来定义正常状态的。如果这批样本没有覆盖可接受变化的全部范围，超出该范围的一切都会被判定为异常。
在实际应用中，一个基于某一物料批次调试完成的检测站，会在表面处理发生变化时对下一批次发出标记。这并非模型的缺陷，而是它准确报告了零件看起来不一样，这正是它被要求去做的事情。有两件事可以防止这成为问题：从一开始就在良品数据集中纳入真实的变化范围，并保持一条简单的途径，在工艺合理演变时，将确实合格的生产图像重新加入训练。这里的照明稳定性比在有监督模型中更重要，因为光照变化看起来和异常零件完全一样。我们关于 机器视觉照明 涵盖了这一部分内容。
Manufacturers running Overview AI in production
Manufacturers running Overview AI in production
FAQ
Frequently asked questions
我可以在没有任何缺陷图像的情况下进行检测吗？
是的，这正是异常检测存在的主要原因。该模型仅使用良品进行训练，构建出正常外观的表征，并标记出偏离该表征的区域。这解决了检测项目中最常见的障碍：故障很少发生，而且零件被报废之前从未有人拍照记录。代价是模型只会告诉您某个区域异常，而不会说明具体是哪种缺陷。
需要多少个良品样本？
这取决于哪种模型类型适合该表面。高灵敏度的逐像素模型至少需要二十张良品图像。针对纹理表面，或简单的有无检测的模型，只需要少量图像即可。图像数量的重要性不如覆盖范围：良品数据集应涵盖产线实际产生的变化范围，包括不同的物料批次和班次，因为模型是根据所提供的数据来定义正常状态的，任何未涵盖的合理变化都会被标记为异常。
什么时候应该改用经过训练的缺陷模型？
当处理方式取决于具体是哪种缺陷时，因为一种要返工，另一种要报废。当您需要缺陷名称来生成帕累托图反馈给工艺时。或者当您已经拥有良好的标注数据集时，此时有监督模型通常更准确，也更容易在能力研究中得到认可。这些做法并不互斥：为已知缺陷运行有监督模型，同时用无监督模型作为应对意外情况的安全网，是一种常见且合理的做法。
它能用于纹理或图案表面吗？
纹理表面是其最强项之一，并且有专门针对纹理表面的模型类型。在机织物、机加工表面、铸件或模压纹理上，没有两个良品外观完全一致，这使得按外观描述缺陷几乎不可能。而描述正常外观的边界则容易处理得多，因此无监督方法在这类场景中通常优于经过训练的缺陷模型。
如何防止它误判良品？
应使用最小斑点面积过滤器，而不是仅依赖灵敏度滑块。任何真实表面在各处都会有轻微偏差，因此只要出现偏差就判定失败的规则会导致持续拒收。只有当偏差区域超过设定面积时才判定失败的规则表现才可预测。设定该面积意味着需要与质量团队就多大尺寸的标记才算真正的不合格达成一致，这本身就是一场值得进行的讨论。
当工艺发生正常变化时会怎样？
模型将这些新零件报告为异常，这是准确的，而不是故障：它们确实与训练时使用的数据看起来不同。一批新的物料批次带来略有不同的表面处理，通常是触发原因。解决方法是建立重新训练的路径，将确实合格但被标记的生产图像重新纳入良品数据集。能够在生产历史中找到这些图像并添加进去，且不需要进行数据科学工作，正是决定一个检测站能否运行一年、而不是在第三个月就被关闭的关键。