Anomaly Detection(8):异常检测的学术与工业界差异

        作为一名从事机器视觉缺陷检测刚好10年、有过许多实际项目经验的视觉算法研究者，以及一名在中科院工作、虽很少发表论文但对学术圈一直保持关注的学术爱好者，我想用这篇文章谈一谈我对现在异常检测的学术及工业界的现状及两者的差异。

        随着图像分类、目标检测、图像分割等基础模型的性能不断提升，当一个项目能够取得充足的数据时，我相信任何一个相关从业者都能够非常完美的解决这个问题。然而，在视觉缺陷检测相关的工程项目中，最大的问题是恰恰是缺陷数据很难充分的收集，甚至每一个缺陷品的产生都是伴随着巨大的代价的。异常检测的发展初衷也是为了解决这个问题。

        当前的异常检测算法已经在几个标准的数据集上取得了令人惊讶的成绩。以MVTecAD数据集为例，若我们只关心图像中的目标是否包含缺陷，而不太在意这个缺陷究竟在什么位置，究竟是什么形状的话（当然，绝大部分项目中我们真的不关心缺陷区域检测的够不够精准，我认为classification远比segmentation更重要），很多模型已经达到了非常完美的性能，他们的图像准确率普遍超过99.5%。但我将这些方法用到真正的项目中去时，分数会急剧的下滑，到达70-80左右。我怀疑这些模型（尤其是得分最高）对于这些数据集过度的适应了。

        我最喜欢的模型是PatchCore，原因是它的极高的召回率真的能够对工业应用起到一定作用。当我启动一个视觉质检项目时，初期模型往往不具有很高的性能，这时我期望模型能将精准率或召回率其中之一做到极致。初期的生产线上往往是人机共存的，若是模型能够达到极高的召回率（即次品几乎完全检出了，虽然此时的误检也很多），我便可以安排人工只检测模型认为有问题的产品，这节省了一定比例的人工。反之，若模型具有极高的精准率，那么它可以在几乎不干扰人工生产过程的情况下，对人工检查过的产品进行复检，一定程度的提高产品质量。但是目前的主流模型普遍追求的是最高的F1Score，并没有把极致的精准率或召回率作为目标，导致很难应用到实际的项目中去。

        或许我阅读的文章还是不够完全，若您知道某个具有极高的精准率或召回率的模型，请您留言，非常感谢！