这里写自定义目录标题
工业质检和图片异常定位方法概述深度学习的缺点无监督异常检测**RSDDs铁轨表面缺陷**数据上面实验的效果
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的推理成本和训练成本都很高，在工厂化的规模下，成本居高不下，还有就是收集样本的成本比较高，正样本手机难度大，经常出现新的异常情况，这在有监督的情况下效果比较差，因为有监督拟合的是他的训练数据，在完全不一样的异常情况出现时，泛化能力比较差。这些正是我参与某面板厂商的屏幕质检的项目中得到的经验。
无监督异常检测
下面介绍一种方法，虽然存在一定的局限性，但是由于它不需要深度学习那种依赖GPU计算的模型，并且不需要训练，也就不存在收集样本的问题，完美cover不同情况下面的异常检测。不多说，直接进入正题。最终的实现代码和图片https://github.com/tangdong1994/PHOT：我放在了最后面，有兴趣的大家可以帮忙点个star。
原理就是：首先对图片进行傅立叶变换，得到他的频谱图。 原图的红色部分是我圈出来的存在缺陷的位置，由于网上找的图，所以还有水印，也被当作的缺陷。 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lEp0erHA-1677236152587)(null)] 然后对频谱图进行幅值归一化，然后对归一化后的频谱图进行傅立叶逆变换，得到如下所示的示意图，可以看到两个椭圆的位置已经比较突出了，好了后面的关键步骤来了。
虽然上面的图片已经把两个椭圆的缺陷位置突出来了，但是还有不少干扰的部分，别急，我们后面的步骤才是关键。
然后对上面的图片进行高斯模糊处理，处理噪声，效果图如下右图：这一步很关键，这一步高斯噪声我用的是kernel size为7，标准差为3的核函数；这里的核函数可以根据自己的需求进行修改实现，大小和标准差都可以变化，经过这一步处理之后，最终结果将少很多的噪声。 接下来就是对模糊处理的图片进行归一化（也就是减去自己的均值再处以他自己的标准差），然后对像素每个位置的像素和马氏距离4比较得到一个二分图。这里要说明一下，由于对图片进行了归一化，所以可以理解这个变成了量纲一致的马氏距离，根据论文里的实现，选择4的效果最好，但是可以根据自己的情况实验。结果如下图： 最后对这个二分图使用opencv进行轮廓查找就行。最终得到下面： 。
RSDDs铁轨表面缺陷数据上面实验的效果
图一：
图二：
上面无监督的实现虽然存在一定的限制，但是在一些工业质检和周期性比较明显的图片上面，找缺陷还是非常准的。
实现代码：https://github.com/tangdong1994/PHOT
相关文章
您阅读本篇文章共花了：
发表评论