异常检测（Outlier Detection），顾名思义，是识别与正常数据不同的数据，与预期行为差异大的数据。工业生产异常，针对的是少数的事件。

异常检测的痛点

大数据技术的兴起已经为当今社会的诸多领域带来了多样的挑战和革命,即使其在各行各业的发展已经逐步趋于完善甚至成熟,但是在复杂工业场景下的应用和发展仍然处于起步阶段,具有较大的进步发展空间。近年来,工业大数据异常检测研究的不完备性和日益增长的智能制造化需求之间存在的不协调性,已经成为工业生产制造智能化进程中较为严重的瓶颈问题。同时,很多工业制造从业人员对于异常数据检测技术的成熟程度存在盲目的乐观理解,导致很多产品出现异常而无法及时处理,以至于影响产品的总体合格率。

传统的异常检测方法就是衡量相似度（proximity）比如距离、密度、角度、隔离所需的难度、基于簇的方法等，这些算法在低维上其实表现都接近，因为核心假设都是“异常点的表示与正常点不同，是少数派”。但大部分类似的算法都会面临维数灾难，即常见的相似性度量在高维数据上往往会失效。

而众多企业在推进异常检测智能化升级过程中，却又面临诸多视觉问题带来的挑战，传统工业视觉技术已无法应对。其主要难点主要表现在：

1.异常数据的稀有性。

这里指的是有精确标注的工业数据的稀有性——获取像素点级别的精确标注是昂贵的，因为这要求专业的技术工人去勾画，这与普通自然图像随便雇个人就能打标注不同。

2.异常数据的不平衡性。

这包括两个层次，一是image level，正常的、不包含异常的工业图像数量往往远多于不正常的；二是pixel level，一张已知包含异常的工业图像（256*256）可能只有非常小的区域是异常像素（5*5）。

3.异常表征的多样性。

工业图像异常往往是多样的，异常往往大小不一、形状不一、位置不一、纹理特征不一，从统计学的角度说，这些异常的数据分布是不一致的。按照有监督学习的思路，则要求足够大的数据集去涵盖所有这些多样性，使模型可以学习到有效的特征表示。但很可惜，在工业图像领域，受限于数据的稀缺性。

深度学习+视觉检测技术

►  常见异常目标检测算法

面向可以定义异常数据并且存在足够的代表性异常图像数据时，可以使用监督学习方法。推出基于深度学习的目标检测技术实现工业图像异常检测。基于深度学习技术，采用效率及效果更好的的特征提取网络，可实现常见异常数据精准识别，同时算法具备抗干扰能力强、稳定性高、实时性强等特点，可完美解决常见异常检测问题。

技术优势：

1.异常精准识别与目标检测学习

针对工业产品图片复杂、产品变形移位以及部分产品差异度较小等难点，本产品基于深度学习+视觉技术，通过预处理算法处理数据，卷积提取丰富特征，多尺度特征融合以及注意力机制等关键算法，同时算法具备抗干扰能力强、稳定性高、实时性强等特点，实现工业图像异常检测问题。

2.异常数据高精度定位与识别

针对工业产品异常检测精度低、检测不全以及检测速度慢等难点，本产品基于深度学习+视觉技术，利用成熟的特征提取网络，多特征流处理以及设计适应的损失函数等关键算法，通过高质量的标注数据对网络进行训练，能有效处理图像中可能存在的干扰，实现工业图像异常的在线精准识别与定位。

►  未知异常无监督检测算法

有监督学习方法取得了很好的成绩，当部分异常类别定义困难并且异常样本难以收集时，同时由于工业图像数据的三个特征，使得异常检测非常适用于无监督异常检测。

技术优势：

1.无监督异常数据定位与识别

针对工业产品异常样本往往很难获得，甚至很多时候没有异常样本以及缺陷检测不全等问题，推出基于无监督的异常检测技术实现工业图像异常检测。基于知识蒸馏，采用效果更好的的预训练网络，以此来学习正常图像的分布模式。通过T-S模型对图像处理的差异性可实现未知异常数据精准识别，可很好解决未知异常检测问题。

► 数字化+可视化智能控制系统

为保证产线高效运行，本产品构建了产线“大脑中枢”——数字化+可视化智能控制系统。该系统融合了产品信息状态，可对产线进行柔性调度和控制。

此外，模块化设计的智能异常检测系统可针对不同场景实现快速定制交付，助力企业数字化转型。

应用案例：食品药品塑料包材品质检测系统

异常检测：深度学习+视觉检测技术助力智能制造，软件定义智能，塑造未来工厂

近年来，蒲丰充分发挥技术领先优势，不断创新与研发，根据客户智慧工厂迭代升级的要求进阶，并在产品端持续打磨，致力于为客户提供最高性价比、最优质服务的全自动解决方案。

未来，蒲丰将持续响应国家智能制造战略，通过标准化、通用化工业视觉软件平台推动深度学习+视觉检测技术与产业场景的深度融合，深耕并探索更多落地场景，不断为智造化创新发展注入新动能。