異常檢測（Outlier Detection），顧名思義，是識別與正常數據不同的數據，與預期行為差異大的數據。工業生產異常，針對的是少數的事件。

異常檢測的痛點

大數據技術的興起已經為當今社會的諸多領域帶來了多樣的挑戰和革命，即使其在各行各業的發展已經逐步趨于完善甚至成熟，但是在復雜工業場景下的應用和發展仍然處于起步階段，具有較大的進步發展空間。近年來,工業大數據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調性，已經成為工業生產制造智能化進程中較為嚴重的瓶頸問題。同時，很多工業制造從業人員對于異常數據檢測技術的成熟程度存在盲目的樂觀理解,導致很多產品出現異常而無法及時處理,以至于影響產品的總體合格率。

傳統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表現都接近，因為核心假設都是“異常點的表示與正常點不同，是少數派”。但大部分類似的算法都會面臨維數災難，即常見的相似性度量在高維數據上往往會失效。

而眾多企業在推進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，傳統工業視覺技術已無法應對。其主要難點主要表現在：

1.異常數據的稀有性。

這里指的是有精確標注的工業數據的稀有性——獲取像素點級別的精確標注是昂貴的，因為這要求專業的技術工人去勾畫，這與普通自然圖像隨便雇個人就能打標注不同。

2.異常數據的不平衡性。

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

3.異常表征的多樣性。

工業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，從統計學的角度說，這些異常的數據分布是不一致的。按照有監督學習的思路，則要求足夠大的數據集去涵蓋所有這些多樣性，使模型可以學習到有效的特征表示。但很可惜，在工業圖像領域，受限于數據的稀缺性。

深度學習+視覺檢測技術

?  常見異常目標檢測算法

面向可以定義異常數據并且存在足夠的代表性異常圖像數據時，可以使用監督學習方法。推出基于深度學習的目標檢測技術實現工業圖像異常檢測。基于深度學習技術，采用效率及效果更好的的特征提取網絡，可實現常見異常數據精準識別，同時算法具備抗干擾能力強、穩定性高、實時性強等特點，可完美解決常見異常檢測問題。

技術優勢：

1.異常精準識別與目標檢測學習

針對工業產品圖片復雜、產品變形移位以及部分產品差異度較小等難點，本產品基于深度學習+視覺技術，通過預處理算法處理數據，卷積提取豐富特征，多尺度特征融合以及注意力機制等關鍵算法，同時算法具備抗干擾能力強、穩定性高、實時性強等特點，實現工業圖像異常檢測問題。

2.異常數據高精度定位與識別

針對工業產品異常檢測精度低、檢測不全以及檢測速度慢等難點，本產品基于深度學習+視覺技術，利用成熟的特征提取網絡，多特征流處理以及設計適應的損失函數等關鍵算法，通過高質量的標注數據對網絡進行訓練，能有效處理圖像中可能存在的干擾，實現工業圖像異常的在線精準識別與定位。

?  未知異常無監督檢測算法

有監督學習方法取得了很好的成績，當部分異常類別定義困難并且異常樣本難以收集時，同時由于工業圖像數據的三個特征，使得異常檢測非常適用于無監督異常檢測。

技術優勢：

1.無監督異常數據定位與識別

針對工業產品異常樣本往往很難獲得，甚至很多時候沒有異常樣本以及缺陷檢測不全等問題，推出基于無監督的異常檢測技術實現工業圖像異常檢測。基于知識蒸餾，采用效果更好的的預訓練網絡，以此來學習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現未知異常數據精準識別，可很好解決未知異常檢測問題。

? 數字化+可視化智能控制系統

為保證產線高效運行，本產品構建了產線“大腦中樞”——數字化+可視化智能控制系統。該系統融合了產品信息狀態，可對產線進行柔性調度和控制。

此外，模塊化設計的智能異常檢測系統可針對不同場景實現快速定制交付，助力企業數字化轉型。

應用案例：食品藥品塑料包材品質檢測系統

異常檢測：深度學習+視覺檢測技術助力智能制造，軟件定義智能，塑造未來工廠

近年來，我們發揮技術領先優勢，不斷創新與研發，根據客戶智慧工廠迭代升級的要求進階，并在產品端持續打磨，致力于為客戶提供最高性價比、最優質服務的全自動解決方案。