解决工业缺陷检测小样本问题

工业场景收集数据的难点：

  在某些高度自动化的生产场景中，产品的良率特别高，收集缺陷样本非常耗时，而当前的用于缺陷检测的深度学习方法大多是基于大量缺陷样本建立模型，缺陷样本的缺乏导致模型难以上线。针对某些行业比如汽车行业的多型号小批量生产场景（每种型号产品只生产几天），在完成缺陷样本收集前某种型号产品已经不再生产了，这种场景下大量的缺陷样本收集是不可能的。此外，由于缺陷是由生产过程中的非受控因素产生的，缺陷的形态是多种多样的，各种形态的样本很难收集完整，这也限制了深度学习在工业检测领域的应用。

1. 小样本检测算法

解决工业缺陷检测小样本问题，第一种是工程路径，第二种是算法路径。其中工程路径有两种常见的方法，第一种是基于真实产品手动制造缺陷（成本大，难度高，产品不可逆），第二种是基于真实图像手动仿真缺陷（速度慢，对人员操作难度系数较高）。 因此工程路径仅仅只能在项目比较着急上线的时候才会采用的无奈之举。

2.算法路径基本思路

从算法路径解决小样本问题，基本的思路有两种，第一种是增加样本，第二种是减少算法对样本的依赖。

2.1 增加样本

• 数据增强，这一部分需要根据你真实的业务场景来做相应的数据增强操作。
• 缺陷生成算法，可以分为自动生成算法和半自动生成算法，前者完全不需要人工干涉，后者则需要一些简单的人工交互。自动生成算法的典型算法有DCGAN 、WGAN，输入一张缺陷图像可以直接生成多张真实的缺陷图像。半自动生成算法的典型算法有CGAN 、CVAE 、Pix2Pix ，需要人工交互给定缺陷生成的类别或形状，然后根据给定信息生成指定类型缺陷。（生成算法无法攘括特定场景的缺陷）

2.2 减少算法对样本的依赖

算法路径解决小样本问题的第二个思路是减少算法对样本的依赖，基于这个思路衍生出两条算法路线：

• 第一条路线是完全不需要缺陷样本的非监督学习算法，基于非监督算法训练模型时仅需要OK图像参与训练即可。
• 第二条路线仍基于有监督算法，对缺陷样本的需求量大大降低。

非监督算法实现的思路大体上分为两种：

• 一种是基于生成模型，基本思路是训练一个只能生成OK图像的生成网络，推理时针对输入的NG图像，找到一个与NG图像最接近的OK图像，然后求两张图的差异，根据差异大小判断是否为NG，典型算法有AE，VAE ，Ano-GAN 等。
• 另一种思路是基于特征表示，基本思路是找个一个较好的特征表示，将OK图和NG图分别映射到高维特征空间，OK图对应特征点的类内距离很小，推理时一张图对应特征点与OK图特征簇的中心距离很远就可以判定为NG，典型算法有SVDD、OCSVM、DeepSVDD 等。

基于有监督算法减少样本依赖的思路分为两种：

• 一种是对输入数据进行归一化，降低不同缺陷样本之间的差异，归一化算法基于传统图像处理算法实现，需要针对不同场景做不同的算法设计，很难有通用性，因此仅作为一些临时处理手段。
• 另一种思路是基于迁移学习，典型的算法研发方向是域适应（Domain Adaption，DA）和域泛化（Domain Generation,DG）。