从实验室到工厂：低质量工业图像上自/无监督缺陷检测的陷阱与指南

工业大规模生产产品中与质量相关问题的检测和定位历来依赖人工检查，这既昂贵又容易出错。机器学习有潜力取代人工操作。因此，人们希望采用无监督（或自监督）方法，因为预先指定所有可能的缺陷通常是不可能的。大量先前的工作已经证明了常见的基于重建、嵌入和合成的方法在实验室环境中的能力。然而，在实践中，我们观察到大多数方法不能很好地处理低数据质量，或者在不利但典型的现实世界环境中鲁棒性较低。对于从业者来说，当这些方法表现不佳时，可能很难识别实际的根本问题。更糟糕的是，经常报告的指标（例如AUROC）在实践中很少适用，并且可能给出误导性的结果。在我们的设置中，我们尝试仅使用质量较低的RGB图像来识别喷砂锻造金属零件表面的细微异常，这是一种常见的工业场景。我们特别评估了两种最先进的模型，它们使我们能够识别和改进生产数据中的质量问题，而无需获取新数据。我们的贡献是为从业者提供指导，使他们能够在类似场景中可靠地识别与所选模型或数据相关的（例如，缺乏）鲁棒性或不变性等问题。此外，我们举例说明了基于似然的方法中的常见陷阱和缺点，并概述了一个更适合现实世界场景的适当经验风险估计框架。