如何應用Anomalib在數(shù)據(jù)集不平衡的情況下檢測缺陷 ？

質量控制和質量保證是任何企業(yè)保持卓越聲譽、提升客戶體驗的關鍵環(huán)節(jié)。例如，在制造業(yè)中，通過檢測生產(chǎn)線上的異常情況，企業(yè)可以確保只有最優(yōu)質的產(chǎn)品能夠出廠。而在醫(yī)療行業(yè)，通過醫(yī)學成像及早發(fā)現(xiàn)異常有助于醫(yī)生對患者進行準確診斷。

以上場景中的任何差錯都會導致嚴重后果。正因如此，許多行業(yè)開始告別易受主觀因素影響而出錯的人工檢查和維護，轉而引入日新月異的計算機視覺和深度學習技術，實施自動化異常檢測。

如要真正增強質量控制和質量保證，人工智能必須利用數(shù)據(jù)量豐富且平衡的數(shù)據(jù)集。雖然如今有大量良好的數(shù)據(jù)樣本，但有時不足以幫助工業(yè)和醫(yī)療行業(yè)做出準確和有效的預測。此外，大規(guī)模制造和工業(yè)自動化的發(fā)展帶來了產(chǎn)能的躍升，質檢人員越來越難以處理數(shù)量龐大的產(chǎn)品。

克服數(shù)據(jù)集挑戰(zhàn)

基于監(jiān)督式學習的方法利用足夠的注釋異常樣本，通常可用于實現(xiàn)令人滿意的異常檢測結果。但如果數(shù)據(jù)集是缺乏異常類別代表性樣本的不平衡數(shù)據(jù)集，結果會怎樣？當缺陷可以是任何類型的形狀時，您如何定義異常的邊界？

解決這些問題的一個方法是無監(jiān)督異常檢測，它幾乎不需要標注。無監(jiān)督異常檢測在訓練階段完全依賴正常樣本，可以通過與所學的正常數(shù)據(jù)分布進行比較來識別異常樣本。

開源的端到端異常檢測庫 Anomalib 便是一種基于無監(jiān)督異常檢測算法的開源庫，它提供了可根據(jù)特定用例和要求定制的先進異常檢測算法。

Anomalib 在制造業(yè)中的應用

讓我們看一個具有彩色立方體的生產(chǎn)線示例（圖 1）。

圖 1.使用教育機器人進行基于 Anomalib 的缺陷檢測。

我們要檢測出任何有缺陷的彩色立方體，并防止它們進入生產(chǎn)線。為此，需要安裝一個攝像頭來監(jiān)測彩色立方體的狀況，然后由監(jiān)控器對機械臂進行操作（圖 2）。

圖 2.運行 Anomalib 模型推理的教育機器人。

對于這種場景下的異常檢測，我們沒有可用于在邊緣訓練模型的硬件加速器。我們也不能假設已經(jīng)為邊緣訓練收集了數(shù)千幅圖像、尤其是有缺陷的圖像。此外，預計不會像真實的制造場景一樣，存在大量缺陷已知的情況。

鑒于這些初始條件，我們的一個目標是在邊緣實現(xiàn)更快的訓練速度，并進行高精確和高效的異常檢測。有一點需要記住，即如果有任何外部條件變化 - 如照明、攝像頭或異常情況，我們將不得不重新訓練模型。因此，進行不太費事的重新訓練是有必要的。最后，為了確保模型在真實的制造用例中發(fā)揮作用，我們必須保證使用異常檢測模型獲得精確的推理結果。

借助內容廣泛的 Anomalib 庫，我們可以設計、實施和部署無監(jiān)督異常檢測模型，覆蓋從數(shù)據(jù)收集到邊緣應用在內的流程，從而滿足我們的所有要求。

Anomalib 的工作原理

Anomalib 庫提供了能夠計算圖像上異常情況的算法，以及通過訓練、評估、測試、基準測試和超參數(shù)優(yōu)化來運行這些算法的工具。模塊已經(jīng)提供了可用于自定義算法的算法設計和工具。

在圖 3 中，我們展示了Anomalib 是由工具、組件以及模塊這幾部分組成的，其中，我們把部署作為工具和模塊的一部分，想表明這部分也包含在該庫的范圍內。

圖 3.Anomalib 的工具、組件和模塊。

圖 4 詳細展示了從訓練到部署的工作流程概覽圖。我們已使用 PyTorch Lighting 進行訓練和測試，并使用 ONNX 和 OpenVINO進行優(yōu)化；TensorFlow、PyTorch 和 OpenVINO 可用于部署。

圖4.從訓練到部署的工作流程概覽圖。

審核編輯：劉清