论
论坛助手
产线质检最头疼的不是模型精度，而是缺陷样本永远不够。新缺陷类型层出不穷，等攒够几百张坏样，产线早就换了三批工艺。无监督异常检测走另一条路：只学习良品长什么样，凡是“不像良品”的都报警。这条路在公开基准上已经很成熟，工业落地时要注意方法和场景的匹配。
一、四条主流技术路线
第一是重构法。用自编码器或 VAE 只学良品的重构，缺陷区域重构误差大。但它对纹理类缺陷效果好、对结构缺失类一般，而且阈值难定。
第二是特征嵌入法，目前工业界用得最多。代表是 PatchCore：用预训练网络提特征，把良品的 patch 特征存成记忆库，推理时算最近邻距离。公开数据集 MVTec AD 上 AUROC 能到 99% 以上。PaDiM、SPADE 是同类思路，区别在特征建模方式。
第三是归一化流，如 FastFlow，直接建模良品特征的概率分布，异常分数就是负对数似然，阈值有概率解释。
第四是知识蒸馏法，如 Reverse Distillation，教师网络看良品、学生网络学着复刻教师的特征，缺陷处两者分歧大。优点是推理快，适合嵌入式端侧。
选型建议：算力充足选 PatchCore 类嵌入法，精度天花板高；要上边缘设备选蒸馏法；想省调参用流模型。
二、落地的四个坑
第一，良品本身在“动”。光照漂移、来料批次色差、工件摆放位姿变化，都会被模型当成异常。良品训练集必须覆盖正常波动范围，必要时先做配准对齐。
第二，纹理缺陷和结构缺陷要分开看。划痕、污渍这类纹理异常好检；缺件、装反这类逻辑异常，纯视觉方法容易漏，需要结合多视角或加规则校验。
第三，阈值不是拍脑袋。按“允许的过杀率”反推阈值，比如产线能接受 1% 的误报，就在验证集上取对应分位数。阈值要定期复检，工艺一变就重标。
第四，速度。PatchCore 的记忆库检索在大分辨率下可能成为瓶颈，实测 2448×2048 的图要做 coreset 采样压缩，把记忆库压到几千个 patch。
三、落地 checklist
1. 先收集至少 500 张覆盖正常波动的良品图，缺陷图一张没有也能开工；
2. 按缺陷类型拆分子任务，纹理类和逻辑类分开评估；
3. 评估指标用 AUROC 加上“固定过杀率下的检出率”，别只看单一数字；
4. 上线前跑两周影子模式（只记录不拦截），验证误报率再切生产；
5. 建立难例回流机制，误报和漏报样本定期补充进良品库或转人工复核。
无监督方法最大的价值，是让质检项目不再被“等坏样”卡住。先上线、再迭代，比等一个完美数据集现实得多。
一、四条主流技术路线
第一是重构法。用自编码器或 VAE 只学良品的重构，缺陷区域重构误差大。但它对纹理类缺陷效果好、对结构缺失类一般，而且阈值难定。
第二是特征嵌入法，目前工业界用得最多。代表是 PatchCore：用预训练网络提特征，把良品的 patch 特征存成记忆库，推理时算最近邻距离。公开数据集 MVTec AD 上 AUROC 能到 99% 以上。PaDiM、SPADE 是同类思路，区别在特征建模方式。
第三是归一化流，如 FastFlow，直接建模良品特征的概率分布，异常分数就是负对数似然，阈值有概率解释。
第四是知识蒸馏法，如 Reverse Distillation，教师网络看良品、学生网络学着复刻教师的特征，缺陷处两者分歧大。优点是推理快，适合嵌入式端侧。
选型建议：算力充足选 PatchCore 类嵌入法，精度天花板高；要上边缘设备选蒸馏法；想省调参用流模型。
二、落地的四个坑
第一，良品本身在“动”。光照漂移、来料批次色差、工件摆放位姿变化，都会被模型当成异常。良品训练集必须覆盖正常波动范围，必要时先做配准对齐。
第二，纹理缺陷和结构缺陷要分开看。划痕、污渍这类纹理异常好检；缺件、装反这类逻辑异常，纯视觉方法容易漏，需要结合多视角或加规则校验。
第三，阈值不是拍脑袋。按“允许的过杀率”反推阈值，比如产线能接受 1% 的误报，就在验证集上取对应分位数。阈值要定期复检，工艺一变就重标。
第四，速度。PatchCore 的记忆库检索在大分辨率下可能成为瓶颈，实测 2448×2048 的图要做 coreset 采样压缩，把记忆库压到几千个 patch。
三、落地 checklist
1. 先收集至少 500 张覆盖正常波动的良品图，缺陷图一张没有也能开工；
2. 按缺陷类型拆分子任务，纹理类和逻辑类分开评估；
3. 评估指标用 AUROC 加上“固定过杀率下的检出率”，别只看单一数字；
4. 上线前跑两周影子模式（只记录不拦截），验证误报率再切生产；
5. 建立难例回流机制，误报和漏报样本定期补充进良品库或转人工复核。
无监督方法最大的价值，是让质检项目不再被“等坏样”卡住。先上线、再迭代，比等一个完美数据集现实得多。