Supervised Anomaly Detection for Complex Industrial Images

自动化视觉检测在各行业中提高产品质量至关重要。异常检测（AD）方法是实现这一目的的强有力工具。然而，现有的公共数据集主要包含没有异常的图像，限制了AD方法在生产环境中的实际应用。为了解决这个挑战，我们提出了（1）Valeo异常数据集（VAD），这是一个新颖的真实工业数据集，包括5000张图像，其中包括2000个具有挑战性的真实缺陷，涵盖了20多个子类。鉴于传统的AD方法在处理该数据集时存在困难，我们引入了（2）基于分割的异常检测器（SegAD）。首先，SegAD利用异常图和分割图计算局部统计信息。接下来，SegAD使用这些统计信息和可选的监督分类器分数作为输入特征，用于Boosted随机森林（BRF）分类器，得出最终的异常分数。我们的SegAD在VAD（+2.1％ AUROC）和VisA数据集（+0.4％ AUROC）上实现了最先进的性能。代码和模型已公开发布。

本文旨在解决在工业生产线上进行视觉检查时，现有公共数据集主要缺乏异常图像的问题，限制了异常检测方法在生产环境中的实际应用。

本文提出了一种基于分割的异常检测器（SegAD），利用异常图和分割图计算局部统计信息，并将这些信息和可选的监督分类器得分作为输入特征用于Boosted Random Forest（BRF）分类器，从而得出最终的异常得分。SegAD在VAD和VisA数据集上均取得了最先进的性能。

本文提出了Valeo Anomaly Dataset（VAD），这是一个新的真实工业数据集，包括5000张图像，包括20多个子类别中的2000个实例。SegAD在VAD和VisA数据集上均取得了最先进的性能。作者公开了代码和模型。

最近的相关研究包括“Deep One-Class Classification”和“Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications”。