基于深度学习的面向工业场景的异常检测（一）

简介

在工业场景中，正常样本往往是大量的，而且相对容易获取，比如符合质量要求的产品或零件。而缺陷数据通常较少，因为缺陷会导致产品被剔除或需要返工修复，从而增加生产成本和时间成本。此外，不同类型的缺陷样本也可能具有较强的特异性，涉及到领域专业知识和经验的积累，并且需要人工手动标注。
在这种情况下，缺乏缺陷样本会导致深度学习模型无法对缺陷进行准确区分，存在过拟合的风险。用检测行业的话来说就是容易“漏检”，在工业视觉检测中，漏检问题严重影响着企业的生产效率和质量保障。

1. 基于GAN合成缺陷样本

• 真实样本：
  这些是PCB板上一些插座的插孔，这是我面对的场景的缺陷数据
  
• 用DCGAN合成的假数据：
  训练50轮：
  

训练100轮：

上面的合成效果作为初学者可能会很激动，但是作为从业者来说就有点难过了，很明显合成的和真实的差别很大，从判别器99%+的准确率已经很明显的说明问题了。但是即使是效果不太好，至少证明走GAN合成缺陷的路似乎还是可行的。下面就是如何提高生成器的生成效果了。上面的效果用的是https://blog.csdn.net/qq_40622955/article/details/129914959这里面的生成器，比较小。
当减少训练样本的种类而只训练其中1-2种的时候，32张图片，训练1000轮效果稍微好了一点。

下面是整个训练过程中的采样输出：

输出的图还是不够高清。

2. 基于重建的异常检测

参考文献

[1] Deep Industrial Image Anomaly Detection: A Survey.arXiv:2301.11514v2 [cs.CV] 30 Jan 2023