一致性较高的产品如何进行未知缺陷检测？

产品一致性较高的未知缺陷检测，适合用异常分割算法解决

原理：基于OK图片建立模板特征库，在推理时与特征库对比特征差异，差异大的地方就是异常区域
难点：该案例的图片尺寸较大（2K*3K),最小缺陷宽度仅有4个像素，仅有1个正常样本，十分具有挑战性

一、确定算法参数

对于图片大、缺陷小的场景，需要模型使用大尺寸（2K*3K）原图输入和浅层高分辨率特征图（L2），这样会增加大量显存负担，此时将采样率减少至0.01避免爆显存

原图
缺陷区域
热力图

二、避免偏移导致的误检

由于只有一个OK样本，缺陷图片产生的视角偏移都会视作异常，此时通过图像配准将OK图扩充，丰富OK样本形态

扩充OK偏移样本后的推理效果，可以看到明显降低了背景误检

三、缓解色差干扰

此时由于成像色彩差异，待检测图会存在一些偏红的现象，仍然存在一些误检
我们将样本预处理为灰色图进行训练和推理

此时再添加阈值工具即可提取缺陷区域

四、待解决的问题

其他推理结果




部分图片存在摩擦现象导致了误检，可收集或构造类似摩擦样本建立OK样本缺陷消除此类问题

OK图	缺陷图