什麼是異常檢測？
一種能學習良品正常外觀並標記任何偏離該外觀的檢測方式。 由於它從不需要缺陷樣本，因此能夠捕捉到 任何人都沒有預料到的故障模式，這是用固定缺陷清單訓練的模型做不到的。
適用場景
六種適合選用該方案的情況
不存在缺陷影象
該故障每月發生一次，報廢的零件沒有留下照片，也沒有人能描述下一次會是什麼樣子。這是檢測系統從未建成的最常見原因，也正是本方案所針對的場景。
缺陷清單是開放式的
汙染物、異物和外觀損傷並非來自一份有限的清單。用您已知的八種缺陷訓練的模型，從原理上就會漏掉第九種。
紋理或圖案表面
當沒有兩個良品外觀完全相同時，按外觀描述缺陷的方式就會失效。而描述正常範圍的邊界則不會。
小批次、多品種
一個每年只生產幾百次的零件號，永遠無法積累出一套已標註的缺陷資料。而二十個良品樣本，在第一批生產中就能獲得。
作為已知缺陷之上的安全網
與處理已知故障的有監督模型並行執行，捕捉任何未被預見的情況。兩個模型檢測的是同一張採集影象。
早期生產和新產品匯入（NPI）
在故障模式還沒有被充分瞭解到可以命名之前，而這恰恰是工藝最不穩定、檢測最有價值的階段。
輸出結果
四種輸出，以及使其真正可用的那一種
異常檢測模型不會返回類別和置信度。理解它實際返回內容的形態，正是避免靈敏度設定成為爭論焦點的關鍵。
異常圖
顯示零件偏差位置的熱力圖。這是操作員看到的內容，也是該工具在車間站得住腳的原因：攝像頭指向具體位置，而不僅僅是宣佈不合格。
異常分數
一個數字反映零件整體的異常程度。最有用的用法是作為趨勢觀察，因為一個班次內的緩慢上升說明工藝在漂移，而不是出現了一個壞件。
斑點統計
將偏差區域進行分組和測量，給出面積和位置。這正是形成可用規則的關鍵：不是任何偏差都算，而是超過約定面積的偏差才算。
執行時靈敏度
在訓練完成後調整，而不是固化在訓練過程中，因此觸發閾值可以根據實際生產情況調整，無需重新採集資料或重新訓練。
真實的侷限
異常檢測有一個典型的弱點，與其被人發現，不如提前說明清楚。模型是根據提供給它的良品來定義正常狀態的。如果這批樣本沒有覆蓋可接受變化的全部範圍，超出該範圍的一切都會被判定為異常。
在實際應用中，一個基於某一物料批次除錯完成的檢測站，會在表面處理發生變化時對下一批次發出標記。這並非模型的缺陷，而是它準確報告了零件看起來不一樣，這正是它被要求去做的事情。有兩件事可以防止這成為問題：從一開始就在良品資料集中納入真實的變化範圍，並保持一條簡單的途徑，在工藝合理演變時，將確實合格的生產影象重新加入訓練。這裡的照明穩定性比在有監督模型中更重要，因為光照變化看起來和異常零件完全一樣。我們關於 機器視覺照明 涵蓋了這一部分內容。
Manufacturers running Overview AI in production
Manufacturers running Overview AI in production
FAQ
Frequently asked questions
我可以在沒有任何缺陷影象的情況下進行檢測嗎？
是的，這正是異常檢測存在的主要原因。該模型僅使用良品進行訓練，構建出正常外觀的表徵，並標記出偏離該表徵的區域。這解決了檢測專案中最常見的障礙：故障很少發生，而且零件被報廢之前從未有人拍照記錄。代價是模型只會告訴您某個區域異常，而不會說明具體是哪種缺陷。
需要多少個良品樣本？
這取決於哪種模型型別適合該表面。高靈敏度的逐畫素模型至少需要二十張良品影象。針對紋理表面，或簡單的有無檢測的模型，只需要少量影象即可。影象數量的重要性不如覆蓋範圍：良品資料集應涵蓋產線實際產生的變化範圍，包括不同的物料批次和班次，因為模型是根據所提供的資料來定義正常狀態的，任何未涵蓋的合理變化都會被標記為異常。
什麼時候應該改用經過訓練的缺陷模型？
當處理方式取決於具體是哪種缺陷時，因為一種要返工，另一種要報廢。當您需要缺陷名稱來生成帕累託圖反饋給工藝時。或者當您已經擁有良好的標註資料集時，此時有監督模型通常更準確，也更容易在能力研究中得到認可。這些做法並不互斥：為已知缺陷執行有監督模型，同時用無監督模型作為應對意外情況的安全網，是一種常見且合理的做法。
它能用於紋理或圖案表面嗎？
紋理表面是其最強項之一，並且有專門針對紋理表面的模型型別。在機織物、機加工表面、鑄件或模壓紋理上，沒有兩個良品外觀完全一致，這使得按外觀描述缺陷幾乎不可能。而描述正常外觀的邊界則容易處理得多，因此無監督方法在這類場景中通常優於經過訓練的缺陷模型。
如何防止它誤判良品？
應使用最小斑點面積過濾器，而不是僅依賴靈敏度滑塊。任何真實表面在各處都會有輕微偏差，因此只要出現偏差就判定失敗的規則會導致持續拒收。只有當偏差區域超過設定面積時才判定失敗的規則表現才可預測。設定該面積意味著需要與品質團隊就多大尺寸的標記才算真正的不合格達成一致，這本身就是一場值得進行的討論。
當工藝發生正常變化時會怎樣？
模型將這些新零件報告為異常，這是準確的，而不是故障：它們確實與訓練時使用的資料看起來不同。一批新的物料批次帶來略有不同的表面處理，通常是觸發原因。解決方法是建立重新訓練的路徑，將確實合格但被標記的生產影象重新納入良品資料集。能夠在生產歷史中找到這些影象並新增進去，且不需要進行資料科學工作，正是決定一個檢測站能否執行一年、而不是在第三個月就被關閉的關鍵。