近年來，人工智能已經(jīng)逐步進(jìn)軍工業(yè)質(zhì)量檢測(cè)行業(yè)，并且取得初步進(jìn)展，AI在工業(yè)領(lǐng)域的可行性、落地性已經(jīng)在工業(yè)領(lǐng)域各場(chǎng)景中得到了證實(shí)。目前質(zhì)檢領(lǐng)域大多采用深度學(xué)習(xí)中的目標(biāo)檢測(cè)算法。因?yàn)樯疃葘W(xué)習(xí)目標(biāo)檢測(cè)方向在社會(huì)上用處廣泛，為生活提供了極大的便利，得到了大眾廣泛的認(rèn)可。雖然通用性極強(qiáng)的目標(biāo)檢測(cè)算法應(yīng)用在了各行各業(yè)，但是其在工業(yè)領(lǐng)域的弊端逐漸呈現(xiàn)了出來，深度學(xué)習(xí)能在自然場(chǎng)景中取得極大的進(jìn)展不單單是算法上不斷地迭代進(jìn)步，與算法并駕齊驅(qū)的還有其所依賴的龐大的標(biāo)注數(shù)據(jù)集。也就是說，監(jiān)督算法極其依賴標(biāo)注數(shù)據(jù)集，需要大量的數(shù)據(jù)供神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，一個(gè)好的數(shù)據(jù)集直接影響模型的精度。然而數(shù)據(jù)集收集困難是目標(biāo)檢測(cè)在大多數(shù)工業(yè)領(lǐng)域遇到的難點(diǎn)之一。

有人會(huì)說沒有數(shù)據(jù)，慢慢積累不就好了嗎？確實(shí)，積累數(shù)據(jù)的確是一種方法，但是積累數(shù)據(jù)存在時(shí)間跨度上的問題，想要積累出一個(gè)高精度的模型，需要大量時(shí)間，因?yàn)橘|(zhì)量標(biāo)準(zhǔn)要求高的工業(yè)視覺缺陷檢測(cè)場(chǎng)景中，很少能產(chǎn)出缺陷零件，更別說能積累出零件各個(gè)位置上所有可能出現(xiàn)的各種形態(tài)缺陷的數(shù)據(jù)集。而且此時(shí)間跨度對(duì)于整個(gè)項(xiàng)目與客戶都是不可接受的。

目前，使用深度學(xué)習(xí)目標(biāo)檢測(cè)進(jìn)行工業(yè)缺陷檢測(cè)時(shí)，主要有以下缺點(diǎn)：

（1）缺陷未知性：由于缺陷的成像有位置、形狀、光源等影響因素在，不同因素會(huì)組合成各種各樣的缺陷，將使得AI目標(biāo)檢測(cè)算法學(xué)習(xí)起來變得異常困難。只能不斷增加已知的缺陷類別，如果將來出現(xiàn)未知類型的缺陷類別，設(shè)備將失去其該有的作用，可能會(huì)給生產(chǎn)方帶來?yè)p失。

（2）缺陷收集困難：缺陷數(shù)據(jù)集收集困難，人造或合成的缺陷與真實(shí)缺陷相差大，存在低質(zhì)量樣本數(shù)據(jù)，數(shù)據(jù)收集周期較長(zhǎng)，可能持續(xù)推遲設(shè)備的交付日期，這使得生產(chǎn)方將在人力成本上繼續(xù)投入，且項(xiàng)目前期誤檢漏檢情況出現(xiàn)頻繁，使得使用方對(duì)設(shè)備檢測(cè)能力的信心出現(xiàn)動(dòng)搖，這將違背深度學(xué)習(xí)在工業(yè)領(lǐng)域的初衷，為企業(yè)提供智能化、無人化的工廠，減小過程成本。

（3）低頻缺陷攔截困難：即使是已知且數(shù)據(jù)集充足類別的缺陷，也會(huì)出現(xiàn)與此種類別特征不相近的缺陷，可能出現(xiàn)漏檢情況

基于以上問題點(diǎn)，異常檢測(cè)算法應(yīng)用在工業(yè)質(zhì)檢行業(yè)的優(yōu)勢(shì)就涌現(xiàn)了出來，因?yàn)闊o監(jiān)督算法的特性在，可以繞開目標(biāo)檢測(cè)算法在工業(yè)領(lǐng)域遇到的部分問題。

異常檢測(cè)算法優(yōu)勢(shì)：

（1）異常檢測(cè)是無監(jiān)督算法，不需要缺陷數(shù)據(jù)集，僅需要ok數(shù)據(jù)集即可，部分異常檢測(cè)算法僅需要少量ok數(shù)據(jù)集，避免了收集缺陷困難的問題。

（2）不需要對(duì)各類別各形態(tài)缺陷進(jìn)行定性，避免了新類別或新特征不能檢出問題，避免了難區(qū)分缺陷類別的認(rèn)定。

（部分圖片源自于網(wǎng)絡(luò)）

鑒于以上問題，通過深度學(xué)習(xí)異常檢測(cè)算法，避免了低頻缺陷數(shù)據(jù)集收集困難，未知類別缺陷難攔截的問題，并在缺陷數(shù)據(jù)集不足的情況下，能夠很好的解決檢出問題。對(duì)于工業(yè)領(lǐng)域的零漏檢的高標(biāo)準(zhǔn)要求更進(jìn)一步。有效的減少了項(xiàng)目周期，更加快速的給企業(yè)帶來生產(chǎn)環(huán)節(jié)上的效益增長(zhǎng)。

異常檢測(cè)：

       異常是指偏離預(yù)期的事件或項(xiàng)目。與標(biāo)準(zhǔn)事件的頻率相比，異常事件的頻率較低。產(chǎn)品中可能出現(xiàn)的異常通常是隨機(jī)的，例如顏色或紋理的變化、劃痕、錯(cuò)位、缺件或比例錯(cuò)誤。

異常檢測(cè)（Anomaly Detection）也稱偏差(deviation)檢測(cè)或者離群點(diǎn)(outlier)檢測(cè)，從數(shù)據(jù)的角度來看，其實(shí)就是檢測(cè)出和眾多其他觀測(cè)值差別非常大的一個(gè)特殊的觀測(cè)值。異常檢測(cè)在歷史上實(shí)際是數(shù)據(jù)預(yù)處理的一個(gè)步驟，但是在現(xiàn)代研究中越來越重要，逐漸發(fā)展為一個(gè)獨(dú)立的領(lǐng)域。

無監(jiān)督異常檢測(cè)：

沒有標(biāo)簽情況下，往往目標(biāo)是將一個(gè)得分或標(biāo)號(hào)賦予給每個(gè)數(shù)據(jù)對(duì)象。比如聚類算法，根據(jù)一些規(guī)則將數(shù)據(jù)進(jìn)行無監(jiān)督的聚類。簡(jiǎn)單直白地講，如果聚類簇比較偏遠(yuǎn)，或者密度比較少，可能就是異常。類似查找圖像離群點(diǎn)算法如孤立森林、SVM等。 但是基于檢測(cè)圖像中離群點(diǎn)是不穩(wěn)定的，由于零件本身形態(tài)特性復(fù)雜，很多時(shí)候不能區(qū)分開正常點(diǎn)與離群點(diǎn)。

以前基于深度學(xué)習(xí)的工作主要集中在生成算法，如生成對(duì)抗網(wǎng)絡(luò)(GAN)或變分自動(dòng)編碼器(VAEs) 。無監(jiān)督生成模型通過學(xué)習(xí)真實(shí)數(shù)據(jù)的本質(zhì)特征，刻畫出樣本數(shù)據(jù)的分布特征，生成與訓(xùn)練樣本相似的新數(shù)據(jù)。模型能夠發(fā)現(xiàn)并有效地內(nèi)化數(shù)據(jù)的本質(zhì)，并生成這些數(shù)據(jù)。生成式模型可以用于在沒有目標(biāo)類標(biāo)簽信息的情況下捕捉觀測(cè)到可見數(shù)據(jù)的高階相關(guān)性。

如基于生成對(duì)抗網(wǎng)絡(luò)(GAN)或變分自動(dòng)編碼器(VAEs)的生成網(wǎng)絡(luò)，在該網(wǎng)絡(luò)中，編碼器接受輸入數(shù)據(jù)，并將其壓縮為潛伏空間表示，然后解碼器將從該空間重構(gòu)輸入數(shù)據(jù)。

VAE將圖像轉(zhuǎn)換為統(tǒng)計(jì)分布的參數(shù)：均值和方差。然后，VAE使用均值和方差參數(shù)隨機(jī)采樣分布的一個(gè)元素，并將該元素解碼回原始輸入。該過程的隨機(jī)性提高了魯棒性并迫使?jié)撛诳臻g在任何地方編碼有意義的表示：在潛在空間中采樣的每個(gè)點(diǎn)被解碼為有效輸出。

基于GAN的網(wǎng)絡(luò)比較經(jīng)典的如AnoGAN,它有兩個(gè)對(duì)抗模型：生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)。生成網(wǎng)絡(luò)G從潛在空間中隨機(jī)采樣（隨機(jī)產(chǎn)生噪聲）作為輸入，其輸出結(jié)果需要盡量模仿訓(xùn)練集中的真實(shí)樣本。判別網(wǎng)絡(luò)D的輸入則為真實(shí)樣本與生成網(wǎng)絡(luò)的輸出，輸出為一個(gè)標(biāo)量，代表其為真實(shí)樣本而不是生成樣本的可能性，其目的是將生成網(wǎng)絡(luò)的輸出從真實(shí)樣本中盡可能分辨出來。生成網(wǎng)絡(luò)要盡可能地欺騙判別網(wǎng)絡(luò)。兩個(gè)網(wǎng)絡(luò)相互對(duì)抗、不斷調(diào)整參數(shù)，最終目的是使判別網(wǎng)絡(luò)無法判斷生成網(wǎng)絡(luò)的輸出結(jié)果是否真實(shí)。生成器G看成解碼器decoder，辨別器D視為編碼器encoder（AE）。在測(cè)試階段，輸入原始圖像，生成器輸出與原圖比對(duì)可以找到異常區(qū)域，辨別器輸出又可以作為異常值，超過一定閾值則可認(rèn)為是異常樣本。

盡管它們是異常檢測(cè)基于逐像素重建誤差或評(píng)估模型概率密度分布的一種有效方法，但是其應(yīng)用在檢測(cè)領(lǐng)域可能存在負(fù)面效果，即通過比較重構(gòu)出來的圖像之間的像素值的差值來確定是否異常是不穩(wěn)定的，因?yàn)榇嬖谛螒B(tài)重構(gòu)正常但是像素值大小有差異的情況，如此求差的話將產(chǎn)生異常區(qū)域，但這種情況其實(shí)是在正常區(qū)域發(fā)生的。

結(jié)語：

隨著深度學(xué)習(xí)算法不斷進(jìn)軍工業(yè)界，服務(wù)于工業(yè)領(lǐng)域的AI算法也將更加成熟、穩(wěn)定，針對(duì)工業(yè)領(lǐng)域的算法與解決方案不斷的涌現(xiàn)，其數(shù)據(jù)集也在不斷收集中，且出現(xiàn)了異常檢測(cè)算法評(píng)估數(shù)據(jù)集MVTec，在異常檢測(cè)算法頻繁刷榜MVTec后，相信在不久將來會(huì)廣泛應(yīng)用于工業(yè)領(lǐng)域。由于目標(biāo)檢測(cè)極其依賴缺陷數(shù)據(jù)集，異常檢測(cè)可能在某些情形下會(huì)替代目標(biāo)檢測(cè)，或許兩者結(jié)合才是更佳的方案。