異常檢測（Outlier Detection），顧名思義，是識別與正常數(shù)據(jù)不同的數(shù)據(jù)，與預(yù)期行為差異大的數(shù)據(jù)。工業(yè)生產(chǎn)異常，針對的是少數(shù)的事件。

異常檢測的痛點(diǎn)

大數(shù)據(jù)技術(shù)的興起已經(jīng)為當(dāng)今社會(huì)的諸多領(lǐng)域帶來了多樣的挑戰(zhàn)和革命，即使其在各行各業(yè)的發(fā)展已經(jīng)逐步趨于完善甚至成熟，但是在復(fù)雜工業(yè)場景下的應(yīng)用和發(fā)展仍然處于起步階段，具有較大的進(jìn)步發(fā)展空間。近年來,工業(yè)大數(shù)據(jù)異常檢測研究的不完備性和日益增長的智能制造化需求之間存在的不協(xié)調(diào)性，已經(jīng)成為工業(yè)生產(chǎn)制造智能化進(jìn)程中較為嚴(yán)重的瓶頸問題。同時(shí)，很多工業(yè)制造從業(yè)人員對于異常數(shù)據(jù)檢測技術(shù)的成熟程度存在盲目的樂觀理解,導(dǎo)致很多產(chǎn)品出現(xiàn)異常而無法及時(shí)處理,以至于影響產(chǎn)品的總體合格率。

傳統(tǒng)的異常檢測方法就是衡量相似度（proximity）比如距離、密度、角度、隔離所需的難度、基于簇的方法等，這些算法在低維上其實(shí)表現(xiàn)都接近，因?yàn)楹诵募僭O(shè)都是“異常點(diǎn)的表示與正常點(diǎn)不同，是少數(shù)派”。但大部分類似的算法都會(huì)面臨維數(shù)災(zāi)難，即常見的相似性度量在高維數(shù)據(jù)上往往會(huì)失效。

而眾多企業(yè)在推進(jìn)異常檢測智能化升級過程中，卻又面臨諸多視覺問題帶來的挑戰(zhàn)，傳統(tǒng)工業(yè)視覺技術(shù)已無法應(yīng)對。其主要難點(diǎn)主要表現(xiàn)在：

1.異常數(shù)據(jù)的稀有性。

這里指的是有精確標(biāo)注的工業(yè)數(shù)據(jù)的稀有性——獲取像素點(diǎn)級別的精確標(biāo)注是昂貴的，因?yàn)檫@要求專業(yè)的技術(shù)工人去勾畫，這與普通自然圖像隨便雇個(gè)人就能打標(biāo)注不同。

2.異常數(shù)據(jù)的不平衡性。

這包括兩個(gè)層次，一是image level，正常的、不包含異常的工業(yè)圖像數(shù)量往往遠(yuǎn)多于不正常的；二是pixel level，一張已知包含異常的工業(yè)圖像（256*256）可能只有非常小的區(qū)域是異常像素（5*5）。

3.異常表征的多樣性。

工業(yè)圖像異常往往是多樣的，異常往往大小不一、形狀不一、位置不一、紋理特征不一，從統(tǒng)計(jì)學(xué)的角度說，這些異常的數(shù)據(jù)分布是不一致的。按照有監(jiān)督學(xué)習(xí)的思路，則要求足夠大的數(shù)據(jù)集去涵蓋所有這些多樣性，使模型可以學(xué)習(xí)到有效的特征表示。但很可惜，在工業(yè)圖像領(lǐng)域，受限于數(shù)據(jù)的稀缺性。

深度學(xué)習(xí)+視覺檢測技術(shù)

?  常見異常目標(biāo)檢測算法

面向可以定義異常數(shù)據(jù)并且存在足夠的代表性異常圖像數(shù)據(jù)時(shí)，可以使用監(jiān)督學(xué)習(xí)方法。推出基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)實(shí)現(xiàn)工業(yè)圖像異常檢測?；谏疃葘W(xué)習(xí)技術(shù)，采用效率及效果更好的的特征提取網(wǎng)絡(luò)，可實(shí)現(xiàn)常見異常數(shù)據(jù)精準(zhǔn)識別，同時(shí)算法具備抗干擾能力強(qiáng)、穩(wěn)定性高、實(shí)時(shí)性強(qiáng)等特點(diǎn)，可完美解決常見異常檢測問題。

技術(shù)優(yōu)勢：

1.異常精準(zhǔn)識別與目標(biāo)檢測學(xué)習(xí)

針對工業(yè)產(chǎn)品圖片復(fù)雜、產(chǎn)品變形移位以及部分產(chǎn)品差異度較小等難點(diǎn)，本產(chǎn)品基于深度學(xué)習(xí)+視覺技術(shù)，通過預(yù)處理算法處理數(shù)據(jù)，卷積提取豐富特征，多尺度特征融合以及注意力機(jī)制等關(guān)鍵算法，同時(shí)算法具備抗干擾能力強(qiáng)、穩(wěn)定性高、實(shí)時(shí)性強(qiáng)等特點(diǎn)，實(shí)現(xiàn)工業(yè)圖像異常檢測問題。

2.異常數(shù)據(jù)高精度定位與識別

針對工業(yè)產(chǎn)品異常檢測精度低、檢測不全以及檢測速度慢等難點(diǎn)，本產(chǎn)品基于深度學(xué)習(xí)+視覺技術(shù)，利用成熟的特征提取網(wǎng)絡(luò)，多特征流處理以及設(shè)計(jì)適應(yīng)的損失函數(shù)等關(guān)鍵算法，通過高質(zhì)量的標(biāo)注數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，能有效處理圖像中可能存在的干擾，實(shí)現(xiàn)工業(yè)圖像異常的在線精準(zhǔn)識別與定位。

?  未知異常無監(jiān)督檢測算法

有監(jiān)督學(xué)習(xí)方法取得了很好的成績，當(dāng)部分異常類別定義困難并且異常樣本難以收集時(shí)，同時(shí)由于工業(yè)圖像數(shù)據(jù)的三個(gè)特征，使得異常檢測非常適用于無監(jiān)督異常檢測。

技術(shù)優(yōu)勢：

1.無監(jiān)督異常數(shù)據(jù)定位與識別

針對工業(yè)產(chǎn)品異常樣本往往很難獲得，甚至很多時(shí)候沒有異常樣本以及缺陷檢測不全等問題，推出基于無監(jiān)督的異常檢測技術(shù)實(shí)現(xiàn)工業(yè)圖像異常檢測?；谥R蒸餾，采用效果更好的的預(yù)訓(xùn)練網(wǎng)絡(luò)，以此來學(xué)習(xí)正常圖像的分布模式。通過T-S模型對圖像處理的差異性可實(shí)現(xiàn)未知異常數(shù)據(jù)精準(zhǔn)識別，可很好解決未知異常檢測問題。

? 數(shù)字化+可視化智能控制系統(tǒng)

為保證產(chǎn)線高效運(yùn)行，本產(chǎn)品構(gòu)建了產(chǎn)線“大腦中樞”——數(shù)字化+可視化智能控制系統(tǒng)。該系統(tǒng)融合了產(chǎn)品信息狀態(tài)，可對產(chǎn)線進(jìn)行柔性調(diào)度和控制。

此外，模塊化設(shè)計(jì)的智能異常檢測系統(tǒng)可針對不同場景實(shí)現(xiàn)快速定制交付，助力企業(yè)數(shù)字化轉(zhuǎn)型。

應(yīng)用案例：食品藥品塑料包材品質(zhì)檢測系統(tǒng)

異常檢測：深度學(xué)習(xí)+視覺檢測技術(shù)助力智能制造，軟件定義智能，塑造未來工廠

近年來，我們發(fā)揮技術(shù)領(lǐng)先優(yōu)勢，不斷創(chuàng)新與研發(fā)，根據(jù)客戶智慧工廠迭代升級的要求進(jìn)階，并在產(chǎn)品端持續(xù)打磨，致力于為客戶提供最高性價(jià)比、最優(yōu)質(zhì)服務(wù)的全自動(dòng)解決方案。