工业冷启动异常检测： PatchCore方法提升性能

工业异常检测是大规模制造业中的重要环节，旨在识别生产过程中出现的缺陷。本文主要关注的是冷启动问题，即模型仅依赖于正常（无缺陷）样本进行训练，而需对未知的异常情况进行检测。传统的解决策略通常是为每个类别设计定制的解决方案，但目标是开发出能够处理多种任务的通用系统。 论文的核心创新是提出了PatchCore，一种结合了ImageNet模型嵌入和异常检测能力的新方法。PatchCore的关键在于建立一个最大代表性正常补丁特征存储库，这使得模型能够在保持推理速度的同时，实现高效和精确的异常检测和定位。在MVTec AD基准测试，一个广泛使用的工业视觉缺陷检测数据集中，PatchCore的表现卓越，图像级异常检测的Area Under the Receiver Operating Characteristic (AUROC)分数高达99.6%，明显优于竞争对手，其错误率降低了超过50%。这表明PatchCore在处理各种复杂工业缺陷，如细小划痕到较大结构损伤时，具有出色的表现。 此外，研究还展示了在其他两个数据集上的竞争性结果，以及在少样本条件下仍能保持竞争力。作者强调，这项工作是在亚马逊AWS的研究实习期间完成的，强调了跨行业合作在解决工业视觉异常检测中的价值。图1展示了MVTec AD基准测试中的实例以及PatchCore方法的应用效果，直观地展示了其在不同规模和类型的异常检测中的有效性。 本文通过PatchCore方法成功地解决了冷启动问题，推动了工业异常检测领域的技术进步，为工业生产过程中的质量控制提供了强大的工具。该研究对于提升智能制造的自动化和效率具有重要意义。代码可在github.com/amazon-research/patchcore-inspection获取，以便其他研究者进一步研究和应用。