工业缺陷检测，无监督异常检测算法，深度学习库Anomalib

LeonDL168

已于 2025-04-17 16:23:58 修改

阅读量632

点赞数 13

分类专栏：工业缺陷检测非监督深度学习模型文章标签：深度学习人工智能 python 工业缺陷检测异常检测算法 Anomalib 非监督学习

于 2025-04-07 10:41:06 首次发布

本文链接：https://blog.csdn.net/m0_37302966/article/details/147038492

版权

工业缺陷检测非监督深度学习模型专栏收录该内容

14 篇文章

订阅专栏

Anomalib是一个深度学习库，专注于收集前沿的异常检测算法，以便在公共和私有数据集上开展基准测试。它尤为侧重于基于图像的异常检测，算法旨在识别数据集中的异常图像，或定位图像里的异常像素区域，在工业制造过程的缺陷检测领域应用广泛。

异常检测的核心目的，在于找出与正常样本不同的异常及缺陷模式。但该领域面临诸多挑战，如获取大量异常数据难度大，正常样本与异常样本间差异细微，且异常类型往往事先未知。目前，无监督异常检测和定位方法主要分为判别法和生成法：

判别方法：尝试对异常样本和正常样本间的决策边界进行建模。这类方法通常从图像中提取嵌入，再与来自“正常”图像的参考嵌入对比，以两者距离作为异常分数。虽能给出不错的异常检测结果，但常缺乏可解释性，难以明确图像的哪部分致使其被判定为异常。例如SPaDE，测试时需对完整的嵌入向量集运行k最近邻（k-NN）聚类，这使得推理复杂度与训练集大小呈线性关系。而在制造业中，高推理速度至关重要，这大大限制了该方法的实用性。
生成方法：试图模拟每个类别的实际分布，进而可从中采样，比如生成新图像。基于这类模型的异常检测方法，其原理是由于训练集中不存在异常，所以无法生成异常样本。像基于自动编码器的方法，通过比较自动编码器的输出与输入来检测异常，若重建错误高，则意味着存在异常区域；基于生成对抗网络（GAN）的方法，假设只能生成正样本。虽然这些生成方法直观且具有可解释性，但其性能存在局限，有时对异常图像也能得到较好的重建结果。

目前，Anomalib库中已涵盖13个异常检测模型，具体包括CFADS、Flow、CFlow、DFKDE、DFM、Draem、FastFlow、GANomaly、Padim、PatchCore、ReverseDistillation、R-KDE、STFPM等。

Anomalib部署流程

配置Anomalib模块主要有两种方式：使用配置文件或API。若要在生产系统中应用Anomalib，建议采用配置文件（yaml文件），这涉及核心的训练和测试过程，其中涵盖数据集、模型、实验及回调管理等设置。该文件可在存储库的“anomalib/src/anomalib/models/padim/config.yaml”路径下找到，若使用其他模型，需在列表中找到对应名称以选择正确的配置文件。以下为各模块介绍：

模型管理器：可使用“anomalib.models”导入Padim等模型。
回调管理器：用于添加一些“非必要”逻辑，如保存权重、提前停止训练、标准化异常分数，以及可视化输入/输出图像等。Anomalib拥有自身的回调函数，同时也支持PyTorch Lightning的原生回调。
训练：以“Padim”模型训练为例，在导入部分，需从“anomalib.deploy”模块导入相关内容。
推理：读取框架后，利用OpenVINO运行推理。
预测结果：执行推理时，需从OpenVINO Inference调用“predict”方法，在此可设置OpenVINO模型和模型元数据的位置，并指定使用的设备。预测结果包含诸多与结果相关的信息，如原始图像、预测分数、异常图、热图图像、预测掩码和分割结果等。

Anomalib部署测试

部署测试时，首先需引入相关包。例如测试数据集中若包含5000多张高分辨率图像，且分为15个不同的对象和纹理类别，每个类别有一组无缺陷的训练图像，以及一组含各种缺陷和无缺陷的图像。若数据集不在根数据集目录，Anomalib会自动安装。

训练模型可借助datamodule、model和callbacks。Callbacks是包含非必要逻辑的自包含对象，可注入多种回调，如模型加载、计时、指标计算、归一化和可视化等。

除训练外，若想使用OpenVINO进行推理，需将导出配置设为OpenVINO，以便Anomalib将训练好的模型导出为OpenVINO格式，之后还可查看OpenVINO模型的存储位置。

Anomalib的特点

简单且模块化的API和CLI：便于进行训练、推理、基准测试以及超参数优化。
丰富的算法和数据集集合：拥有大量现成可用的深度学习异常检测算法，以及丰富的基准测试数据集。
基于Lightning的模型实现：能减少样板代码，将实现工作聚焦于关键部分。
模型导出支持：大多数模型可导出为OpenVINO中间表示（IR）格式，以加速在英特尔硬件上的推理。
便捷的推理工具：提供一系列推理工具，便于快速、轻松地部署标准或自定义的异常检测模型。

Anomalib的安装

Anomalib提供了两种安装方式：

通过PyPI安装：若仅使用库而不修改源代码，推荐此方式，在命令行执行“pip install anomalib”即可完成安装。
本地安装：适用于需要对库进行修改的情况。建议先创建虚拟环境，如使用conda，可通过“yes | conda create -n anomalib_env python=3.10”创建名为“anomalib_env”的虚拟环境，再用“conda activate anomalib_env”激活环境；若使用其他虚拟环境工具，按相应方式操作。接着克隆仓库并以可编辑模式安装，执行“git clone https://github.com/openvino toolkit/anomalib.git”克隆仓库，进入仓库目录“cd anomalib”后，使用“pip install -e.”完成安装。

在这里插入图片描述