異常檢測（Anomaly detection），通常被理解為『檢測異常狀況』，為傳統統計學中，所指的離群值檢測，被廣泛用於偵測資料發生離群狀況，於電腦視覺、資訊安全、醫學、法律、經濟學、統計學領域中皆有大量應用。Deep Learning 興起後，大量工業技術開始應用基於機器學習基礎的瑕疵檢測方法，其中主要分為以下三大類：
1.監督式瑕疵檢測：
標註大量瑕疵物，以物件檢測技術（object detection）為基礎，於工件上檢測是否存在瑕疵物，優點是容易應用與理解，缺點是瑕疵數量多半為少量樣本，致使可標註的樣本數量低，且新瑕疵出現時也會因爲被識別而造成漏檢。
2.半監督瑕疵檢測：
標註部分瑕疵物，利用自動標註(auto-labeling)標註其餘樣本，其原理與執行方式與監督式瑕疵檢測大致相同，僅省去大量資料標註時間。
3.非監督式瑕疵檢測：
即不使用標註瑕疵的方法進行瑕疵檢測，改為利用訓練神經網路只學習正樣本，依照輸入樣本與正樣本的差異來判斷是否存在瑕疵，優點是可利用大量正樣本進行訓練且不需人工標註，在應用領域上接受度高。
受惠於近幾年 Anomaly detection 快速發展，2019 年後幾個重要的技術里程碑在 CVPR 上陸續發表，目前在工業領域上稱呼瑕疵檢測幾乎就是指異常檢測，而 Intel OpenVINO toolkit 也在近期完成了 Anomalib 這個函式庫（網址：https://github.com/openvinotoolkit/anomalib），此函式庫收錄了多個非監督式瑕疵檢測模型，對於目前走在前端的工業與研究團隊可說是一大研究利器。
同時，開發團隊今年也在 CVPR 研討會議程中提供教學文章，可讓使用者進行快速訓練並轉為 IR 檔，部署 Intel 晶片上進行加速運算，大幅縮減工業瑕疵檢測開發週期，本文將依序介紹本函式庫架構，挑選數個知名異常檢測模型進行原理、特色說明，並逐步進行操作說明。
Anomalib的特色
Anomalib 是 OpenVINO 所提供的異常檢測函式庫。該函式庫著重於圖像的異常檢測，識別圖像中的異常區域。在基準資料集(benchmark)中實現最佳性能。此外，該函式庫還提供組件(config)來設計可針對特定需求的自定義算法。其他工具，包括實驗管理(Experiment Management)、可視化器(visualization)和超參數優化器(Hyperparameter Optimization, HPO)，使設計或執行異常檢測模型變得更簡單。Anomalib函式庫還支持OpenVINO 模型優化與量化以進行即時部署。
總體而言，anomalib 是一個廣泛的函式庫，用於設計、實現和部署從數據到邊緣的無監督異常檢測模型，其特色如下：
- Anomalib為公開的大型深度學習異常檢測函式庫。
- 運用PyTorch Lightning的模型，減少模組程式上的編輯，將能在實際運用上有效地簡化使用功能。
- 所有模型都可以由OpenVINO導出 IR 檔案，以便在Intel硬體上加速推理，並可選擇部屬GPU或CPU上。
- 可快速且輕鬆地部署在標準模型上，或是自定義異常檢測模型。
Anomalib函式庫架構
目前Anomalib 提供以下異常檢測模型(持續更新與增加中)：
- PaDim
- CFlow-AD
- DRAEM
- DFKDE
- DFM
- Fast-Flow
- GANomaly
- PatchCore
- Reverse Distillation
- STFPM
將Anomalib從Git專案下載後，在檔案anomalib/models 可見每一模型所包含的檔案，大致可分為主模型(model.py)、與主模型相關程式以及模型配置檔(config.yaml)，而使用者可依據模型配置檔中，自定義在訓練時所使用的資料集、預訓練模型、標準化方法、視覺化設定以及導出OpenVINO IR 或 ONNX檔案等功能。以下介紹第1~3種模型論文摘錄。
1. PaDiM
》論文名稱：PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization Thomas Defard, Aleksandr Setkov, Angelique Loesch, Romaric Audigier
》發表時間：2020年11月
》論文摘錄：
在工業零組件檢測中，由於訓練數據的缺乏，在工廠實際檢測時，無法準確檢測出異常所在位置。本文基於補丁分布建模(Patch Distribution Modeling)，將無異常圖片分為多個Patch的大小，提取embeddings中前三層的特徵，分析影像分布，作為檢測圖像的對比依據，計算圖像的Anomaly Score，根據embedding計算原圖可能存在異常的位置，輸出異常影像熱點圖。
只需不到短短一分鐘...
輸入您的信箱與ID註冊即可享有一切福利!
會員福利
免費電子報
會員搶先看
主題訂閱
好文收藏
.jpg)
.jpg)