一、应用背景

    当检测对象整体一致性较好时，传统方案通常先通过定位纠偏、图像预处理和图像差分等方法，来找出图像中的异常点，这个方法极易受到成像干扰（OK品出现灰度变化），需要对每个目标区域以及每种产品做有针对性的调参，调试成本极高；用有监督的深度学习算法来检出缺陷时，又苦于缺陷数据收集问题，尤其在标准设备的检测场景中，用户难以获取足够多的样本来迭代优化模型，此外人工标注还需制定统一的标注规范，并且迭代过程可能无法相应有快速部署的场景需求。可见，以上两种方式都有各自的短板。

    无监督算法适用于一致性较好的应用场景，什么是一致性？

    一致性指：目标载体不需要严格对齐、视野内各个特征相差不大（色差差异小/轮廓特征相相近、背景区域干扰较小。

    有简至难的举个例子：

    1.成像易受干扰（光源或相机采集图像时出现畸变）的印刷品表面字符或图案异常：

             字体印刷不均匀                        图案缺失                 各类印刷质量异常

    2.规正物体表面的轻微或重度缺陷：

       
            某电器表面异常                          轻微色差               极小脏污

   3.各种板材上的元件缺失、安装倾斜、表面异物等，如pcb：

                    电容安装倾斜                                         电路短路

二、算法原理

    海康的VM算法开发平台拥有一种无监督分割的深度学习算法，可以有效解决以上痛点问题。无监督分割算法利用无缺陷的图像数据进行训练，对图像进行编码得到一组特征向量，并基于这组特征向量重建，在相似度计算后，重建图像质量会于缺陷位置存在较大差异，从而达到缺陷检测的目的。

三、算法优势

    三大深度学习问题：

• 【小样本下模型鲁棒性】小样本下的模型性能不足以适应不同缺陷形态，需要足够的缺陷数据支撑，但标准工艺下此类数据难以收集；
• 【标注数据收集的人力和时间成本】标签数据需要人工标注，制定统一的标注规范，人力成本大 ；
• 【迭代速度】正向学习需要的训练时长随样本量增加，无法响应客户的快速部署需求。

    无监督分割算法优势：

•     仅需要OK样本训练；
  
•     样本需求量小，海康的AI训练平台支持最小6张图开始训练；
  
•     训练速度可以做到1min以内；

四、训练及使用方法

登录海康的云端训练平台，创建无监督样本数据（离线版本用海康的VisionTrain就行，但性能对比下来感觉没对齐，期待他们更新下个版本）：

导入几张OK图标注后，训练参数用默认就够用了：

推理方面跟图像分割一样，无监督分割模块会输出类似于概率图的结果，其中亮点部分为可能的缺陷位置，因此在无监督分割模块后面接个blob分析就行，建议blob分析的阈值调低些：

最后是优化手段，训练参数上其实没有什么可以改的了，标注也只有OK图，因此得从图像上入手。即便无监督分割不要求目标完全严格的对齐，为了提高整体的检出精度（偏差过大可能会导致边缘被检出），降低误检率，最好能把相机提前开窗，去除多余背景，或者在方案层中通过匹配和位置修正的方法进行裁图，以聚焦检测物体。

小结：

    无监督分割算法发布已久，解决的问题也正是有监督类算法的难题，行业内适配该算法的需求早已层出不穷，无非为丝网印刷类的字符和图案异常和标准板材上的各类异常检，再把视线放远，纺织行业的布匹缺陷检测也同样适合，但提高检出性能还是需要依靠底层算法的努力，可以看到海康一直在投入这部分的研发，从刚推出无监督分割算法到现在，明显感受到技术的发展与成熟，相信越来越多的相关应用可以靠它来完成快速落地。