介绍
Anomalib Github：https://github.com/openvinotoolkit/anomalib
Anomalib 是一个深度学习库，旨在收集最先进的异常检测算法，以便在公共和私有数据集上进行基准测试。Anomalib 提供了近期文献中描述的异常检测算法的几种即用型实现，以及一套便于开发和实现自定义模型的工具。该库重点关注基于图像的异常检测，算法的目标是识别异常图像或数据集中图像的异常像素区域。
Anomalib 具有以下特点:
-
有大量现成可用的深度学习异常检测算法和基准数据集 -
基于 PyTorch Lightning 编写了一套最大化通用的模型，可以帮助我们减少大量模板代码，可以帮助我们将更多的精力放在重要的事情上。 -
所有模型均可导出到支持英特尔硬件加速的 OpenVINO 格式 。 -
一套推理工具，用于快速、轻松地部署标准或自定义异常检测模型。 -
在CPU上就可以实现毫秒级的检测 -
仅需少量的良品图片，进行几分钟的训练，即可完成一个在线异常检查的应用。
针对我们的检测应用，以上算法均能满足需求的前提下，我们选用了速度最快的 STFPM-ResNet18 模型来进行测试。详见论文: STFPM：https://arxiv.org/pdf/2103.04257.pdf
原理
异常检测的基本原理是使用一组教师-学生网络做特征比对, 比对差异较大的即为异常图像.
在此基础上, 发展出了 STFPM、 PaDiM、 PatchCore、 EfficientAD 等算法。他们的差异主要在于神经网络结构、用于全局分析的特征编码器、自动编码器、多层特征混合计算、损失评估算法等不同。
优势
对比传统的异常检测算法，我们需要针对不同的产品编写一套针对性的检测代码，还需要一定量的不良品来测试和优化检测算法。而使用机器学习方法，我们只要统一的一套通用的训练程序和几张良品图片即可。
检测过程
训练
我们将Anomalib算法集成到深圳思墨科技的SIMOTECH在线缺陷检测系统，基于英特尔开发者套件AIxBoard，实现训练和推理
在训练过程中，我们采集了 3 张良品的 pcb 电路板图片来进行训练。
经过约 200 epoch 训练后，损失降到了 1.0 以下。
检测
使用训练好的模型来检测一些样品, 均能正确检出异常:
部署
使用 OpenVINO 提供的工具将模型导出到 OpenVINO：
from openvino.tools import mo
from openvino.runtime import Core, serialize
# Convert model to openvino.runtime.Model object
ov_model = mo.convert_model(model)
# Save openvino.runtime.Model object on disk
serialize(ov_model, "test_model.xml")
将导出的模型拷贝到 AIxBoard 上，使用 Anomalib 的推导工具 openvino_inference.py 即可在 AIxBoard 上进行加速推导。
总结
在没有经过调优的情况下，我们的模型仅使用了 3 张良品照片进行简单的训练，即可上线检测并取得不错的效果。通过使用 Anomalib 我们不仅可以使用少量的良品特征快速构建一个异常检测应用，还可以免去收集不良品特征的过程。结合 AIxBoard 可以快速将应用部署到产线上。
公众号后台回复“数据集”获取100+深度学习各方向资源整理
极市干货
点击阅读原文进入CV社区
收获更多技术干