异常检测：仅使用良品样本进行检测
检测项目停滞不前最常见的原因，与技术本身无关。而是没有人能够提供缺陷图像。故障每月发生一次，零件在报废时没有被拍照，质量团队也无法描述下一次的缺陷，因为他们还没有见过。
异常检测将问题反过来看。模型不再学习缺陷的样子，而是学习良品的样子，并标记任何偏离良品的情况。产品的描述正是如此：仅使用良品样本进行训练，模型学习零件的正常外观，并将任何偏差标记为潜在缺陷。
有监督和无监督，各用一句话说明
有监督模型学习的是有名称的类别之间的区别。您向它展示划痕，展示干净的表面，为两者打上标签，模型便学习到二者之间的边界。之后它就能告诉您发现的是哪种缺陷，因为您已经告诉了它名称。
无监督模型只学习正常状态的样子。它构建了良品的表征，并衡量每个新零件与该表征的偏离程度。它无法告诉您缺陷是划痕而不是污渍，因为从未有人给过它这些词汇。它只能告诉您这个区域不属于正常范围。
有监督模型给您名称
分类和分割返回一个类别：气孔、污染、缺料。当处理方式因缺陷而异时，例如一种需要返工而另一种需要报废，或者当您要将结果反馈到 Pareto 图以改进流程时，这一点就很重要。
无监督模型给您覆盖面
它能标记出任何人都未曾预料到的失效模式，因为它从一开始就没有清单可依。这正是它的全部价值所在，在缺陷种类确实是开放式的零件上，这一点尤为有力。
三种模型类型，以及如何选择
异常检测并非单一算法。在 OV80i 上，无监督模块提供三种选择，它们在灵敏度与速度之间、以及所需数据量之间做出权衡。产品对它们的描述十分明确：
灵敏度最高，至少需要 20 张图像
推理速度快，最擅长检测微小异常，输出逐像素结果，让您能准确看到哪个区域发生了偏差。当缺陷细微且能够获取二十个良品时，这是默认选择，而这通常不是一个苛刻的要求。
在有纹理表面上表现最佳，只需少量图像
推理速度中等，尤其擅长处理有纹理或有图案的物体，例如纺织品、编织材料、机加工表面、铸件。在每个良品外观都各不相同的表面上，应从这一模型开始尝试。
速度最快，所需图像极少
最适合检测简单物体的有无。它不是用于处理细微表面差异的工具，而是在高速产线上进行快速有无检测的方案，适用于答案是二选一的场景。
值得在图像数量上多停留一下。二十个良品，喝杯咖啡的功夫就够了，算不上一个数据采集项目。异常检测能够改变项目周期的原因，并不是因为它比经过训练的模型更准确，事实上往往并非如此。而是因为您所需要的数据，此刻就已经存在于产线上。
模型实际输出的内容
有监督模型返回一个类别和一个置信度。异常模型返回的结果则不同，理解其输出形式，正是避免灵敏度滑块成为争议焦点的关键。
| Output | 如何使用它 |
|---|---|
| 异常图 | 在相应区域上叠加的一张热力图，显示零件在何处发生了偏差。这正是操作员所查看的内容，也是这一工具能在车间站得住脚的原因：相机会向您显示具体位置，而不仅仅是宣布不合格。 |
| 异常分数 | 一个用于衡量零件整体异常程度的单一数字。作为趋势指标很有用：某个班次内数值缓慢攀升，说明的是工艺在漂移，而不是出现了不良品。 |
| 斑点统计 | 对偏差区域进行分组和测量，得出面积和位置信息。这正是构建可用判定规则的基础：并非任何偏差都算数，而是面积超过设定阈值的偏差才算数。 |
| 灵敏度和面积限制 | 这些参数是在训练完成后进行调整的，而不是固定写死在训练过程中，因此您可以根据实际生产情况调整触发点，而无需采集新数据或重新训练。 |
最小斑点面积过滤器是该模块中最重要的设置，也是最常被忽略不调的设置。任何真实表面在各处都会存在一点偏差。如果规则是只要有偏差就判定不合格，工位就会不断误判良品。如果规则是偏差区域大于设定面积才判定不合格，工位就能正常运行。设定这个数值需要与质量团队沟通，讨论多大的痕迹才真正算作不合格，而这本身也是一次值得进行的沟通。
何时选择异常检测是正确的决定
在以下四种情况下，它显然是更好的起点。
- 您没有缺陷图像，也无法人为制造出来。 这是最常见的情况，也是大多数检测系统始终无法建成的真实原因。
- 缺陷种类是开放式的。 污染、异物和外观损伤并非来自一份有限的清单。一个仅针对您已知的八种缺陷训练出来的模型，从本质上就注定会漏掉第九种。
- 表面具有纹理或图案。 在没有两个良品外观完全相同的情况下，通过外观来描述缺陷几乎是不可能的，但描述正常状态的边界却是可行的。
- 低产量或多品种混线。 如果某个零件编号每年只生产数百次，您将永远无法为它积累出带标签的缺陷数据集。而二十个良品样本，在第一批生产中就能获取。
反过来说也同样成立。当处理方式取决于具体是哪种缺陷时，当您需要缺陷名称用于工艺反馈而不仅仅是一个拒收信号时，或者当您已经拥有一份良好的标注数据集时，请使用有监督模型；在这些情况下，经过训练的模型通常既更准确，也更容易在能力研究中站得住脚。
这两者并非互斥。OV80i 上的一个配方可以对同一张图像运行多个模型，因此一种常见且明智的做法是：由有监督模型处理带名称类别的已知缺陷，同时让无监督模型与其并行运行，作为应对一切未曾预料情况的安全网。
需要提前规划应对的失效模式
异常检测有一个典型的弱点，与其在实践中发现它，不如提前把它讲清楚。模型是根据您提供的良品来定义正常状态的。如果您的二十个良品样本没有涵盖全部可接受的变化范围，那么超出该范围的一切都会被判定为异常。
在实际操作中，这意味着一个基于某一材料批次调试完成的工位，在材质稍有变化时会将下一批次判为异常。这并非模型的缺陷，而是一份准确的报告，说明零件外观确实发生了变化，而这正是您所要求的功能。解决方法是在良品集中纳入真实的变化范围：不同批次、不同班次，既包括公差带的中间值，也包括其可接受的边界值。
这也是为什么重新训练路径对异常检测比对有监督工作更为重要。当生产发生变化时，您需要把那些真正合格但被误判的零件重新纳入良品集。能否在生产历史中找到这些图像并将其添加到训练集中，且无需借助数据科学操作，这决定了一个工位能否运行一年，还是在第三个月就被停用。我们关于 机器视觉系统 介绍了这一点在更广泛的工位设计中所处的位置，而 照明指南 则介绍了另一半内容，因为异常模型对光照漂移的敏感程度甚至超过有监督模型：光照的变化看起来与异常零件完全一样。
Frequently Asked Questions
没有任何缺陷图像也能进行 AI 检测吗？
可以，使用无监督异常检测即可实现。该模型仅使用良品进行训练，学习正常外观，并标记出偏离该外观的区域。这是应对检测项目中最常见障碍的标准做法，也就是缺陷很少发生、且没有人拍摄过它。其代价在于，模型只能报告出现了异常，而无法说明具体是哪种缺陷。
异常检测需要多少良品样本？
这取决于模型类型。高灵敏度的逐像素模型至少需要二十张良品图像。而针对有纹理表面或简单有无检测的模型只需要少量图像。更重要的一点是，良品集应涵盖真实的可接受变化范围，包括不同材料批次和不同班次，因为模型是根据您提供的数据来定义正常状态的，任何您遗漏的合理变化都会被标记为异常。
有监督缺陷检测和无监督缺陷检测有什么区别？
有监督模型基于每种缺陷类别的标注样本进行训练，返回缺陷名称及置信度。无监督模型仅使用良品进行训练，返回偏差分数和热力图，而不会指出具体缺陷名称。当处理方式或工艺反馈取决于具体缺陷种类时，有监督模型更合适。当缺陷种类是开放式的，或者根本不存在缺陷图像时，无监督模型更合适。在同一张图像上同时运行这两种模型，是一种常见且明智的做法。
异常检测能在有纹理的表面上使用吗？
有纹理和有图案的表面是其最擅长的应用场景之一，并且有专门针对这类表面的模型类型。在编织纺织品、机加工表面或铸件上，没有两个良品外观完全相同，这使得通过外观描述缺陷变得非常困难。而描述正常外观的边界则可行得多，因此在这类表面上，无监督方法往往优于经过训练的缺陷模型。
为什么在更换材料后，我的异常模型会将良品标记为异常？
因为它正确地报告出这些零件与训练时使用的零件外观不同。模型是根据所提供的良品样本来定义正常状态的，因此外观略有不同的新材料批次就落在了这个定义之外。解决方法是在良品集中纳入真实的可接受变化范围，并建立一条简便的途径，在工艺发生合理变化时，将实际合格但被误判的生产图像重新纳入训练。
如何防止异常检测把所有产品都判为不合格？
应使用最小斑点面积过滤器，而不要仅依赖灵敏度滑块。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，会不断误判良品。只有当偏差区域超过设定面积才判定失败的规则，才能表现得可预测。设定该面积需要与质量团队达成一致，讨论多大的痕迹才真正算作不合格，这本身就是一次有价值的沟通。
在您的零件上体验 Overview AI
把您的零件或缺陷照片发给我们，视觉工程师会告诉您 Overview 能否检出，大多数系统几天内即可在产线上运行。