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

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

以上場(chǎng)景中的任何差錯(cuò)都會(huì)導(dǎo)致嚴(yán)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(cuò)的人工檢查和維護(hù)，轉(zhuǎn)而引入日新月異的計(jì)算機(jī)視覺和深度學(xué)習(xí)技術(shù)，實(shí)施自動(dòng)化異常檢測(cè)。

如要真正增強(qiáng)質(zhì)量控制和質(zhì)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(shí)不足以幫助工業(yè)和醫(yī)療行業(yè)做出準(zhǔn)確和有效的預(yù)測(cè)。此外，大規(guī)模制造和工業(yè)自動(dòng)化的發(fā)展帶來了產(chǎn)能的躍升，質(zhì)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(xué)習(xí)的方法利用足夠的注釋異常樣本，通?？捎糜趯?shí)現(xiàn)令人滿意的異常檢測(cè)結(jié)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(jié)果會(huì)怎樣？當(dāng)缺陷可以是任何類型的形狀時(shí)，您如何定義異常的邊界？

解決這些問題的一個(gè)方法是無監(jiān)督異常檢測(cè)，它幾乎不需要標(biāo)注。無監(jiān)督異常檢測(cè)在訓(xùn)練階段完全依賴正常樣本，可以通過與所學(xué)的正常數(shù)據(jù)分布進(jìn)行比較來識(shí)別異常樣本。

開源的端到端異常檢測(cè)庫 Anomalib 便是一種基于無監(jiān)督異常檢測(cè)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(jìn)異常檢測(cè)算法。

Anomalib 在制造業(yè)中的應(yīng)用

讓我們看一個(gè)具有彩色立方體的生產(chǎn)線示例（圖 1）。

圖 1.使用教育機(jī)器人進(jìn)行基于 Anomalib 的缺陷檢測(cè)。

我們要檢測(cè)出任何有缺陷的彩色立方體，并防止它們進(jìn)入生產(chǎn)線。為此，需要安裝一個(gè)攝像頭來監(jiān)測(cè)彩色立方體的狀況，然后由監(jiān)控器對(duì)機(jī)械臂進(jìn)行操作（圖 2）。

圖 2.運(yùn)行 Anomalib 模型推理的教育機(jī)器人。

對(duì)于這種場(chǎng)景下的異常檢測(cè)，我們沒有可用于在邊緣訓(xùn)練模型的硬件加速器。我們也不能假設(shè)已經(jīng)為邊緣訓(xùn)練收集了數(shù)千幅圖像、尤其是有缺陷的圖像。此外，預(yù)計(jì)不會(huì)像真實(shí)的制造場(chǎng)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(gè)目標(biāo)是在邊緣實(shí)現(xiàn)更快的訓(xùn)練速度，并進(jìn)行高精確和高效的異常檢測(cè)。有一點(diǎn)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(xùn)練模型。因此，進(jìn)行不太費(fèi)事的重新訓(xùn)練是有必要的。最后，為了確保模型在真實(shí)的制造用例中發(fā)揮作用，我們必須保證使用異常檢測(cè)模型獲得精確的推理結(jié)果。

借助內(nèi)容廣泛的 Anomalib 庫，我們可以設(shè)計(jì)、實(shí)施和部署無監(jiān)督異常檢測(cè)模型，覆蓋從數(shù)據(jù)收集到邊緣應(yīng)用在內(nèi)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(jì)算圖像上異常情況的算法，以及通過訓(xùn)練、評(píng)估、測(cè)試、基準(zhǔn)測(cè)試和超參數(shù)優(yōu)化來運(yùn)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(shè)計(jì)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(nèi)。

圖 3.Anomalib 的工具、組件和模塊。

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

圖4.從訓(xùn)練到部署的工作流程概覽圖。

審核編輯：劉清