工业应用中的异常检测：挑战、解决方案与未来发展方向综述

摘要— 使用摄像头传感器捕捉的图像进行异常检测是工业领域中的主流应用之一。特别是在先进制造和航空航天工程等多种工业任务中，它有助于维护质量并优化生产过程的效率。传统的异常检测流程依赖人工操作员进行人工检查，这是一个繁琐的任务。智能自动化检测系统的进步彻底改变了工业异常检测（IAD）过程。近年来，基于视觉的方法能够利用计算机视觉自动提取、处理和解读特征，并与工业操作中的自动化目标相一致。鉴于检查方法的转变，本综述回顾了自2019年以来发布的研究，重点关注基于视觉的异常检测。现有综述中被忽视的IAD管道组件也被提出，包括与数据采集、预处理、学习机制和评估相关的领域。除了收集的文献，本文还突出了若干科学和行业相关的挑战及其解决方案。此外，还总结了流行的相关工业数据集，为检测应用提供了进一步的洞察。最后，讨论了基于视觉的IAD的未来发展方向，为研究人员提供了有关工业检测技术最新进展的见解。

关键词— 异常检测，计算机视觉，深度学习，工业缺陷检测，神经网络，质量控制，视觉传感器。

I. 引言

在制造和工业环境中，能够检测异常的能力至关重要，因为它确保生产过程保持可控，并按照预期运作[1]。在商品生产过程中，尤其需要进行检查，以保持标准并确保过程中的一致性。例如，产品表面存在的缺陷不仅会影响其外观，还可能降低其整体性能[2]。在工业制造中缺乏适当的质量控制方法，导致缺陷从小瑕疵到重大结构问题不被发现，从而引发产品责任和可能的伤害。这些缺陷不仅局限于某一行业，还可以出现在增材制造的部件、印刷电路板（PCB）和药品片剂等产品中。传统上，缺陷通过人工检查来识别，依赖于人工判断。此类方法要求人工检查员具有丰富的经验或接受专门培训，以准确检测缺陷[3]。然而，这种类型的检查是一项繁琐且耗时的任务，通常由不稳定、易出错、不可靠的操作员执行，而且不同的个人判断依据风险容忍度的不同也会有所差异。此外，向下一次工业革命的推进更加强烈地促使探索替代解决方案。例如，工业4.0革命旨在提升检查能力。其他类似的战略也已提出，如“中国制造2025”[4]、日本的“社会5.0”[5]和美国的“工业互联网联盟”[6]。这些方法的主要目标是通过实施先进的技术应用来改善性能、质量和效率，进而转型制造业。这样的革命性进展通过将人工智能、先进机器人技术和物联网（IoT）[7]融入制造领域来实现。因此，自动化缺陷检测系统应运而生，旨在模拟人工检查过程，解决这些限制并提高效率。图1展示了自动化检测在制造环境中的应用。一般过程包括对制造好的产品进行成像，产品可沿传送带移动。根据具体应用，成像介质可能有所不同。然后，图像被发送到决策站，在那里识别缺陷。最后，输出数据会集成到质量控制中心，以便获取缺陷的相关信息，并做出关于生产过程的知情决策。高效的工业产品缺陷识别和分类是文献中持续研究的一个关键问题。由于影响缺陷形成的因素复杂多样，因此高效检测自动化的研究尤为重要。一些挑战在实际工业环境中尤为突出。例如，制造产品的表面经常暴露于制造过程中引入的噪声。表面外观的变化使得区分噪声和真实缺陷变得困难。此外，缺陷的大小、位置、纹理和颜色可能大不相同，这进一步增加了检测过程的复杂性。更重要的是，由于图像中的某些物体通常较小，因此提取的纹理信息可能不尽如人意[8]。尽管如此，学术界对监控和控制系统的兴趣仍然很大，这些系统旨在推动检查技术的进步。这些领域的进展得益于潜在的生产成本降低、产量增加和智能制造的实施[9]。这种先进控制系统的引入是第四次工业革命的关键推动技术，尤其在制造产品的质量控制中[10]。因此，基于学习的算法已经成为实现自动化检查系统的重要考虑因素。

A. 学习算法

基于视觉的缺陷检测已成为智能制造中的关键技术之一[2]。这些技术包括机器学习（ML）和深度学习（DL）算法，它们分析数据并学习做出准确的预测以应对未来的任务[11]。机器学习可以定义为自动检测数据中的模式并在不确定性下做出决策的一系列方法[12]。然而，深度学习作为机器学习的一个特定子集，结合了人工神经网络，能够从数据中学习模式并提取更高层次的特征。近年来，随着人工智能技术的进步，机器学习和深度学习已广泛应用于工业领域的缺陷检测[13]。然而，另一个影响这些算法的因素是训练过程中施加的监督级别。不同级别的监督，包括有监督学习（SL）、无监督学习（USL）和半监督学习（SSL），各自塑造了模型如何从数据中学习并应对挑战。

1. 有监督学习：有监督学习通过使用标注的训练数据将输入分类为有缺陷或无缺陷。这种方法由于有标注数据的可用性，可以实现高检测率。然而，它并不是一个绝对的解决方案，因为它面临数据不平衡的挑战。一个有监督的机器学习策略实例是在增材制造的组件检查中使用粉床熔融技术[14]。本文作者训练了一个支持向量机（SVM）分类器，利用标注的真实数据检测不连续性。图像来自后期CT扫描，并由经验丰富的操作员手动标注。通过交叉验证实验，检测精度超过80%。
2. 无监督学习：如果没有标注数据，则可以使用无监督学习。该方法通过包含仅有少量缺陷样本的无标签数据集进行操作。为电子显微镜下晶体结构的缺陷检测提出了一种一类支持向量机（OCSVM）[16]。基于无监督学习，模型实现了98%的平衡精度，展示了其在各种缺陷上的适用性，同时克服了复杂晶体手动注释的需求。自监督学习是无监督学习的一个子集，也利用无标签数据。后者用于异常检测，不需要损失函数，而前者则用于回归和分类任务，与有监督学习类似。
3. 半监督学习：另一种学习方法是半监督学习，它结合了有监督学习和无监督学习的特点。生成的数据集包含无标签数据和少量标注数据。随后，可以训练半监督模型进行检测；然而，与有监督学习相比，这种方法的精度可能较低。半监督分类和检测方法在[18]中进行了探索，重点关注半导体芯片检查。

B. 调研范围

为此，通过基于关键词的检索收集了相关文献，目标是涵盖2019年以后发布的研究。搜索通过四个科学数据库（IEEE Xplore、Scopus、Springer 和 Taylor & Francis）进行，这些大数据库与本综述主题密切相关，并允许使用逻辑运算符（如“OR”和“AND”），并且能够在标题、摘要和关键词等元数据字段中进行搜索。具体的检索字符串为：（“机器学习”或“深度学习”或“人工智能”或“计算机视觉”）且（“缺陷检测”或“异常检测”或“基于视觉的缺陷检测”或“自动化缺陷检测”）且（“工业”或“制造”或“行业”）。最终选择时排除了排名较低的期刊论文。搜索结果表明，近年来，工业异常检测（IAD）相关文献显著增长，从2019年到2023年增长了近380%。图5清晰地展示了这一趋势，直到2024年6月，相关论文数量持续增加。