工业质检之无监督图片异常检测

工业质检和图片异常定位方法概述

随着深度学习的发展，对图片进行异常检测的方法也变得越来越多越来越强，比如卷积神经网络CNN，标注好异常的图片，收集好样本，经过有监督的训练可以获得很好的效果，在数据的加持下，深度学习有一统天下的趋势；还有就是降噪自编码器，可以直接给他正常样本，训练一个自编码器恢复原图片，对比图片发生变化的位置就可以定位缺陷的位置，GAN模型也同理，通过重建正样本，找到缺陷位置。

深度学习的缺点

1.比如使用深度学习的目标检测算法进行有监督的训练，可以获得不错的结果，但是这个结果是建立在拥有足够样本的前提下，当数据样本不够，或者存在较大的长尾分布的时候，效果常常就不理想。但是在工业质检或者叫做异常检测的情况下面，正样本恰恰存在收集困难，缺陷位置和类型非常的复杂和多样，这样也就给深度学习带来比较大的挑战。正如我前面参与面板厂商某东方的屏幕质检的项目中，深度学习定位的效果非常不理想，就是由于在屏幕上面存在非常多样样的缺陷，并且屏幕还经常出现这次出品A屏幕，后面又出现B屏幕，导致收集的样本无法适应后续的情况。而且深度学习的目标检测部署成本也是一个不小的成本。特别是工厂规模的加持下，成本也是下不来。
2.自编码器和GAN这些生成模型，可以部分克服样本不够的情况，因为在异常检测的情况下面，最不缺的就是正常的图片，但是在面对场景变换的情况下面，利用A产品训练的模型，无法适应B产品的情况，也就是因为产品之间的图片分布不一致，导致模型需要更新频繁

小结：结合起来就是深度学习