如何应用Anomalib在数据集不平衡的情况下检测缺陷 ？

质量控制和质量保证是任何企业保持卓越声誉、提升客户体验的关键环节。例如，在制造业中，通过检测生产线上的异常情况，企业可以确保只有最优质的产品能够出厂。而在医疗行业，通过医学成像及早发现异常有助于医生对患者进行准确诊断。

以上场景中的任何差错都会导致严重后果。正因如此，许多行业开始告别易受主观因素影响而出错的人工检查和维护，转而引入日新月异的计算机视觉和深度学习技术，实施自动化异常检测。

如要真正增强质量控制和质量保证，人工智能必须利用数据量丰富且平衡的数据集。虽然如今有大量良好的数据样本，但有时不足以帮助工业和医疗行业做出准确和有效的预测。此外，大规模制造和工业自动化的发展带来了产能的跃升，质检人员越来越难以处理数量庞大的产品。

克服数据集挑战

基于监督式学习的方法利用足够的注释异常样本，通常可用于实现令人满意的异常检测结果。但如果数据集是缺乏异常类别代表性样本的不平衡数据集，结果会怎样？当缺陷可以是任何类型的形状时，您如何定义异常的边界？

解决这些问题的一个方法是无监督异常检测，它几乎不需要标注。无监督异常检测在训练阶段完全依赖正常样本，可以通过与所学的正常数据分布进行比较来识别异常样本。

开源的端到端异常检测库 Anomalib 便是一种基于无监督异常检测算法的开源库，它提供了可根据特定用例和要求定制的先进异常检测算法。

Anomalib 在制造业中的应用

让我们看一个具有彩色立方体的生产线示例（图 1）。

图 1.使用教育机器人进行基于 Anomalib 的缺陷检测。

我们要检测出任何有缺陷的彩色立方体，并防止它们进入生产线。为此，需要安装一个摄像头来监测彩色立方体的状况，然后由监控器对机械臂进行操作（图 2）。

图 2.运行 Anomalib 模型推理的教育机器人。

对于这种场景下的异常检测，我们没有可用于在边缘训练模型的硬件加速器。我们也不能假设已经为边缘训练收集了数千幅图像、尤其是有缺陷的图像。此外，预计不会像真实的制造场景一样，存在大量缺陷已知的情况。

鉴于这些初始条件，我们的一个目标是在边缘实现更快的训练速度，并进行高精确和高效的异常检测。有一点需要记住，即如果有任何外部条件变化 - 如照明、摄像头或异常情况，我们将不得不重新训练模型。因此，进行不太费事的重新训练是有必要的。最后，为了确保模型在真实的制造用例中发挥作用，我们必须保证使用异常检测模型获得精确的推理结果。

借助内容广泛的 Anomalib 库，我们可以设计、实施和部署无监督异常检测模型，覆盖从数据收集到边缘应用在内的流程，从而满足我们的所有要求。

Anomalib 的工作原理

Anomalib 库提供了能够计算图像上异常情况的算法，以及通过训练、评估、测试、基准测试和超参数优化来运行这些算法的工具。模块已经提供了可用于自定义算法的算法设计和工具。

在图 3 中，我们展示了Anomalib 是由工具、组件以及模块这几部分组成的，其中，我们把部署作为工具和模块的一部分，想表明这部分也包含在该库的范围内。

图 3.Anomalib 的工具、组件和模块。

图 4 详细展示了从训练到部署的工作流程概览图。我们已使用 PyTorch Lighting 进行训练和测试，并使用 ONNX 和 OpenVINO进行优化；TensorFlow、PyTorch 和 OpenVINO 可用于部署。

图4.从训练到部署的工作流程概览图。

审核编辑：刘清