工业质检自动化：基于无缺陷样本的视觉异常检测系统构建指南

引言：自动化视觉检测的价值与挑战

视觉产品检测在制造业、零售业等众多行业中扮演着至关重要的角色。运输有缺陷的产品不仅会损害客户信任，还会导致额外的退款或更换成本。因此，业界对自动化检测流程的兴趣日益增长，旨在提升生产效率、降低成本并加快质量反馈循环。

在计算机视觉领域，异常检测旨在判断产品是否偏离“正常”状态（暗示存在缺陷）；而异常定位则是更为复杂的任务，它需要生成像素级的异常分数图来精确标出异常区域。尽管技术不断进步，但异常定位方法的研究与实际生产部署之间仍存在显著差距。大多数现有模型仅针对特定产品的缺陷进行优化，这使得需要处理多样化产品的制造商难以有效利用。

为了弥合这一差距，一项发表于《Journal of Manufacturing Systems》的研究提出了首个面向真实世界应用的异常定位基准测试框架，包括一个新标记的、与产品无关的数据集以及一套评估方案。本文将解析该框架的核心思想，并提供一套将其应用于实践的构建指南。

核心框架：无需缺陷样本的训练范式

传统的监督学习方法训练异常定位模型面临两大痛点：缺陷样本数量稀少且标注成本高昂。因此，该基准测试框架采用了一种更实用的范式：训练阶段仅使用无缺陷的正常样本。模型通过学习正常样本的特征分布来建立“正常”基准。

随后，在验证阶段，仅需少量带有标注的异常样本，来确定正常像素与异常像素在异常分数分布中的边界阈值。在推理时，训练好的模型会为输入图像生成一张异常分数热力图。最后，应用最优阈值对该热力图进行二值化，即可得到最终的分割掩码，清晰区分异常与非异常区域。

该基准测试框架主要由三部分构成：

1. 与产品无关的数据集：为模型评估提供通用基础。
2. 一组代表性模型：涵盖了生成异常分数图的四大主流方法：重建、属性图、块相似性和标准化流。
3. 一套双层评估方法：包含不依赖阈值的验证指标和依赖阈值的推理指标，尤其强调了阈值确定方法的重要性。

构建通用数据集：产品无关的缺陷分类

为了创建具有普适性的评估基准，研究团队对两个现有公开数据集（MVTec和BTAD）中的异常图像进行了重新归类。重新标注基于更高层次、更通用的缺陷类别，而非具体产品类型。这些类别包括：

• 结构缺陷：指产品部件扭曲、缺失或整体结构遭受严重破坏，例如孔洞、弯曲、部件丢失。
• 表面缺陷：局限于产品表面较小区域的损伤，通常修复难度较低，例如划痕、凹痕、锈迹。
• 污染缺陷：表明存在外来异物，例如胶水残留、灰尘、污渍。
• 组合缺陷：同时包含上述多种缺陷类型，在真实分割图中表现为多个连通区域。

这种与产品无关的分类体系，使得不同行业的研究者和开发者能够在统一的基准上评估和比较模型性能，推动了通用化异常检测解决方案的发展。

实践指南：如何为新产品部署检测系统

该基准测试框架为制造商引入新产品时的技术选型提供了清晰路径。作为一个高效的起步建议，可以优先选择基于块相似性的建模方法，并使用交并比曲线来确定最优阈值。如果预期缺陷以表面瑕疵为主，那么基于标准化流的模型可能表现更佳。

以下是一个简化的部署流程示例，以MVTec数据集中的“瓶子”类别为例：

1. 数据准备与标注：收集产品的正常图像。若有历史异常图像，则按上述四类缺陷进行标注。
2. 模型选择与训练：在正常图像上训练选定的模型（如PaDiM）。
3. 阈值估计：使用少量的验证集异常图像，通过IoU曲线等方法确定分割阈值。
4. 推理与验证：对测试集图像进行预测，生成分割图，并通过人工视觉确认进行领域适配和效果评估，这是将研究模型转化为实用系统的关键一步。

通过遵循上述结构化流程，企业可以更系统地将自动化视觉检测集成到生产线中。该框架的代码与数据已开源，为社区进一步推动工业质检的智能化提供了坚实基础。