INDUSTRIAL DEFECT

DETECTION
王天颖 2023/11/24
AI 工业瑕疵检测
AI 工业瑕疵检测的需求
• 捡出 NG 和 GOOD ；
• 定位缺陷的位置，方便归因分析、指标统计、设备升
级、维修等；
• 给出缺陷的量化指标，例如面积、长度、对比度；一
般对应的上层任务有缺陷分级、需求定制或变更。

常见的工业瑕疵
AI 工业检测 VS 自然场景检测
• 业务场景过于分散 ，对标一下“人脸”，甚
至“ OCR” 等领域，缺陷检测场景还是非常分散的，
难以归纳；
• 受限、可控 ，有比较的大人工干预空间；
• 需求不太明确；
• 精度指标要求比较高。

工业场景对比自然场景
深度学习在工业瑕疵检测中的难点

AI 工业检测的难点

• 缺陷检测是否需要高层次的语义信息

• 百亿像素下计算复杂度问题如何解决

• 数据标注问题如何解决

• 数据不平衡问题如何解决

• 可重复性、可配置性问题如何解决

深度学习的非线性特征
工业缺陷检测的主流研究进展
有监督学习与无监督学习

有监督学习对比无监督学习 有监督学习对比无监督学习
有监督学习方法
有监督学习方法

YOLO 目标检测算
法

ViT multi-label 瑕疵检测分类的结果

Vision Transformer (ViT) 图像检测分类算法

无监督学习方法
无监督学习方法
• PatchCore 是作用于特征空间的异常检测算法，基于正样本特征库 (Feature Bank)
• 这个过程的目的是确定测试图像中哪些部分（ Patch ）的特征与存储库中的正常特征最
不相似。若这些不相似性足够大，会被视为异常情况，可能需要进一步的分割或关注。
研究方向：对 PatchCore 学习算法的改进
• 标准数据集： MVTec 工业瑕疵数据集
• PatchCore 算法里涉及 feature 的降维，使用了 random linear projections （随机线性投
影）。
• Manifold learning （流形学习）是用于非线性降维的技术，旨在保留数据的局部结构。
• 用流形学习通过学习数据的低维表示来发现数据中的潜在结构，而不仅仅是通过线性
变换将其投影到低维空间。

MVTec 工业瑕疵数据集