異常檢測：僅使用良品樣本進行檢測
檢測專案停滯不前最常見的原因，與技術本身無關。而是沒有人能夠提供缺陷影象。故障每月發生一次，零件在報廢時沒有被拍照，品質團隊也無法描述下一次的缺陷，因為他們還沒有見過。
異常檢測將問題反過來看。模型不再學習缺陷的樣子，而是學習良品的樣子，並標記任何偏離良品的情況。產品的描述正是如此：僅使用良品樣本進行訓練，模型學習零件的正常外觀，並將任何偏差標記為潛在缺陷。
有監督和無監督，各用一句話說明
有監督模型學習的是有名稱的類別之間的區別。您向它展示劃痕，展示乾淨的表面，為兩者打上標籤，模型便學習到二者之間的邊界。之後它就能告訴您發現的是哪種缺陷，因為您已經告訴了它名稱。
無監督模型只學習正常狀態的樣子。它構建了良品的表徵，並衡量每個新零件與該表徵的偏離程度。它無法告訴您缺陷是劃痕而不是汙漬，因為從未有人給過它這些詞彙。它只能告訴您這個區域不屬於正常範圍。
有監督模型給您名稱
分類和分割返回一個類別：氣孔、汙染、缺料。當處理方式因缺陷而異時，例如一種需要返工而另一種需要報廢，或者當您要將結果反饋到 Pareto 圖以改進流程時，這一點就很重要。
無監督模型給您覆蓋面
它能標記出任何人都未曾預料到的失效模式，因為它從一開始就沒有清單可依。這正是它的全部價值所在，在缺陷種類確實是開放式的零件上，這一點尤為有力。
三種模型型別，以及如何選擇
異常檢測並非單一演算法。在 OV80i 上，無監督模組提供三種選擇，它們在靈敏度與速度之間、以及所需資料量之間做出權衡。產品對它們的描述十分明確：
靈敏度最高，至少需要 20 張影象
推理速度快，最擅長檢測微小異常，輸出逐畫素結果，讓您能準確看到哪個區域發生了偏差。當缺陷細微且能夠獲取二十個良品時，這是預設選擇，而這通常不是一個苛刻的要求。
在有紋理表面上表現最佳，只需少量影象
推理速度中等，尤其擅長處理有紋理或有圖案的物體，例如紡織品、編織材料、機加工表面、鑄件。在每個良品外觀都各不相同的表面上，應從這一模型開始嘗試。
速度最快，所需影象極少
最適合檢測簡單物體的有無。它不是用於處理細微表面差異的工具，而是在高速產線上進行快速有無檢測的方案，適用於答案是二選一的場景。
值得在影象數量上多停留一下。二十個良品，喝杯咖啡的功夫就夠了，算不上一個資料採集專案。異常檢測能夠改變專案週期的原因，並不是因為它比經過訓練的模型更準確，事實上往往並非如此。而是因為您所需要的資料，此刻就已經存在於產線上。
模型實際輸出的內容
有監督模型返回一個類別和一個置信度。異常模型返回的結果則不同，理解其輸出形式，正是避免靈敏度滑塊成為爭議焦點的關鍵。
| Output | 如何使用它 |
|---|---|
| 異常圖 | 在相應區域上疊加的一張熱力圖，顯示零件在何處發生了偏差。這正是操作員所檢視的內容，也是這一工具能在車間站得住腳的原因：相機會向您顯示具體位置，而不僅僅是宣佈不合格。 |
| 異常分數 | 一個用於衡量零件整體異常程度的單一數字。作為趨勢指標很有用：某個班次內數值緩慢攀升，說明的是工藝在漂移，而不是出現了不良品。 |
| 斑點統計 | 對偏差區域進行分組和測量，得出面積和位置資訊。這正是構建可用判定規則的基礎：並非任何偏差都算數，而是面積超過設定閾值的偏差才算數。 |
| 靈敏度和麵積限制 | 這些引數是在訓練完成後進行調整的，而不是固定寫死在訓練過程中，因此您可以根據實際生產情況調整觸發點，而無需採集新資料或重新訓練。 |
最小斑點面積過濾器是該模組中最重要的設定，也是最常被忽略不調的設定。任何真實表面在各處都會存在一點偏差。如果規則是只要有偏差就判定不合格，工位就會不斷誤判良品。如果規則是偏差區域大於設定面積才判定不合格，工位就能正常執行。設定這個數值需要與品質團隊溝通，討論多大的痕跡才真正算作不合格，而這本身也是一次值得進行的溝通。
何時選擇異常檢測是正確的決定
在以下四種情況下，它顯然是更好的起點。
- 您沒有缺陷影象，也無法人為製造出來。 這是最常見的情況，也是大多數檢測系統始終無法建成的真實原因。
- 缺陷種類是開放式的。 汙染、異物和外觀損傷並非來自一份有限的清單。一個僅針對您已知的八種缺陷訓練出來的模型，從本質上就註定會漏掉第九種。
- 表面具有紋理或圖案。 在沒有兩個良品外觀完全相同的情況下，透過外觀來描述缺陷幾乎是不可能的，但描述正常狀態的邊界卻是可行的。
- 低產量或多品種混線。 如果某個零件編號每年只生產數百次，您將永遠無法為它積累出帶標籤的缺陷資料集。而二十個良品樣本，在第一批生產中就能獲取。
反過來說也同樣成立。當處理方式取決於具體是哪種缺陷時，當您需要缺陷名稱用於工藝反饋而不僅僅是一個拒收訊號時，或者當您已經擁有一份良好的標註資料集時，請使用有監督模型；在這些情況下，經過訓練的模型通常既更準確，也更容易在能力研究中站得住腳。
這兩者並非互斥。OV80i 上的一個配方可以對同一張影象執行多個模型，因此一種常見且明智的做法是：由有監督模型處理帶名稱類別的已知缺陷，同時讓無監督模型與其並行執行，作為應對一切未曾預料情況的安全網。
需要提前規劃應對的失效模式
異常檢測有一個典型的弱點，與其在實踐中發現它，不如提前把它講清楚。模型是根據您提供的良品來定義正常狀態的。如果您的二十個良品樣本沒有涵蓋全部可接受的變化範圍，那麼超出該範圍的一切都會被判定為異常。
在實際操作中，這意味著一個基於某一材料批次除錯完成的工位，在材質稍有變化時會將下一批次判為異常。這並非模型的缺陷，而是一份準確的報告，說明零件外觀確實發生了變化，而這正是您所要求的功能。解決方法是在良品集中納入真實的變化範圍：不同批次、不同班次，既包括公差帶的中間值，也包括其可接受的邊界值。
這也是為什麼重新訓練路徑對異常檢測比對有監督工作更為重要。當生產發生變化時，您需要把那些真正合格但被誤判的零件重新納入良品集。能否在生產歷史中找到這些影象並將其新增到訓練集中，且無需藉助資料科學操作，這決定了一個工位能否執行一年，還是在第三個月就被停用。我們關於 機器視覺系統 介紹了這一點在更廣泛的工位設計中所處的位置，而 照明指南 則介紹了另一半內容，因為異常模型對光照漂移的敏感程度甚至超過有監督模型：光照的變化看起來與異常零件完全一樣。
Frequently Asked Questions
沒有任何缺陷影象也能進行 AI 檢測嗎？
可以，使用無監督異常檢測即可實現。該模型僅使用良品進行訓練，學習正常外觀，並標記出偏離該外觀的區域。這是應對檢測專案中最常見障礙的標準做法，也就是缺陷很少發生、且沒有人拍攝過它。其代價在於，模型只能報告出現了異常，而無法說明具體是哪種缺陷。
異常檢測需要多少良品樣本？
這取決於模型型別。高靈敏度的逐畫素模型至少需要二十張良品影象。而針對有紋理表面或簡單有無檢測的模型只需要少量影象。更重要的一點是，良品集應涵蓋真實的可接受變化範圍，包括不同材料批次和不同班次，因為模型是根據您提供的資料來定義正常狀態的，任何您遺漏的合理變化都會被標記為異常。
有監督缺陷檢測和無監督缺陷檢測有什麼區別？
有監督模型基於每種缺陷類別的標註樣本進行訓練，返回缺陷名稱及置信度。無監督模型僅使用良品進行訓練，返回偏差分數和熱力圖，而不會指出具體缺陷名稱。當處理方式或工藝反饋取決於具體缺陷種類時，有監督模型更合適。當缺陷種類是開放式的，或者根本不存在缺陷影象時，無監督模型更合適。在同一張影象上同時執行這兩種模型，是一種常見且明智的做法。
異常檢測能在有紋理的表面上使用嗎？
有紋理和有圖案的表面是其最擅長的應用場景之一，並且有專門針對這類表面的模型型別。在編織紡織品、機加工表面或鑄件上，沒有兩個良品外觀完全相同，這使得透過外觀描述缺陷變得非常困難。而描述正常外觀的邊界則可行得多，因此在這類表面上，無監督方法往往優於經過訓練的缺陷模型。
為什麼在更換材料後，我的異常模型會將良品標記為異常？
因為它正確地報告出這些零件與訓練時使用的零件外觀不同。模型是根據所提供的良品樣本來定義正常狀態的，因此外觀略有不同的新材料批次就落在了這個定義之外。解決方法是在良品集中納入真實的可接受變化範圍，並建立一條簡便的途徑，在工藝發生合理變化時，將實際合格但被誤判的生產影象重新納入訓練。
如何防止異常檢測把所有產品都判為不合格？
應使用最小斑點面積過濾器，而不要僅依賴靈敏度滑塊。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，會不斷誤判良品。只有當偏差區域超過設定面積才判定失敗的規則，才能表現得可預測。設定該面積需要與品質團隊達成一致，討論多大的痕跡才真正算作不合格，這本身就是一次有價值的溝通。
在您的零件上體驗 Overview AI
把您的零件或瑕疵照片寄給我們，視覺工程師會告訴您 Overview 能否檢出，大多數系統幾天內即可在產線上運行。