PatchCore算法革新工业缺陷检测，实现近完美召回率
图宾根大学的博士生Karsten Roth因其在某中心科学实习期间完成的论文《Towards Total Recall in Industrial Anomaly Detection》而荣获EMVA青年专业奖。该奖项旨在表彰学生在机器视觉或图像处理领域的杰出创新工作。
这篇由Karsten Roth与多位科学家合著的论文，致力于解决异常检测中的“冷启动”问题。该研究项目服务于后来推出的某视觉检测服务，该服务旨在帮助制造商发现缺陷和异常。
应对“冷启动”挑战
该服务利用少样本学习技术，能够基于相对较少的缺陷和正常产品样本进行缺陷评估。然而，当企业只有正常（无缺陷）的产品图像时，便出现了挑战。
“我们研究的问题是冷启动问题，即没有任何负面示例或缺陷样本，”论文的指导者之一Peter Gehler解释道。这一挑战还包括检测难以捕捉的缺陷（例如细划痕或缺失部件）以及发现不可预见和未预料到的缺陷。
Roth解释道：“我们的研究动机源于一个真实且实际的挑战。我们开发的解决方案必须具有实用性；其驱动力在于优化性能和可用性，而非追求‘学术上的震撼效果’。”
PatchCore解决方案
研究团队通过利用非缺陷物品的图像找到了解决方案。“我们研究了许多变体，”Gehler说。“最佳方案基于建立一个正常示例的图像库，然后测试新图像与该库的‘接近度’。”Gehler指出，关键问题在于如何定义“接近度”。
“与一个示例的接近程度取决于你如何拍摄图像以及如何编码图像，”他说。他补充道，借鉴深度学习架构的原理，解决方案是“将图像转化为一系列向量，然后比较这些向量——有多种方法可以在多个阶段进行这种比较。”通过将产品与正常示例进行比较，并确定产品与该理想状态的接近或偏离程度，即使没有实际的缺陷样本，也可以标记出缺陷。
该团队的解决方案——PatchCore，在广泛使用的MVTec AD基准测试中，实现了高达99.6%的图像级异常检测AUROC分数，“将错误率比次优方案降低了一半以上”。Roth在CVPR 2022会议上展示了PatchCore。
Gehler强调了Roth的关键作用：“Karsten每周产生如此多的成果，以至于我们在一小时的周会上都没有时间全部讨论。”
“获得今年的EMVA青年专业奖进一步验证了这项研究的相关性和重要性，我非常高兴能获得如此高规格的奖项，”Roth说。
他还表示，他非常感谢在某中心实习期间所在的团队。“在中心进行研究的一个有些意外但非常受欢迎的收获是，我的代码质量和研究进展的整体文档记录得到了显著改善，”他说，“特别要感谢Peter，他让整个研究实习成为了一次极好的体验。”
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
公众号二维码
公众号二维码
