利用无监督学习实现低成本视觉异常检测
计算机视觉与模式识别
2026-05-19 v2 人工智能
摘要
传统的机器学习基于视觉检查系统需要大量数据收集和重复模型训练才能提高准确性。这些系统通常需要昂贵的摄像头、计算设备以及大量机器学习专业知识，这会在小型和中型企业中造成巨大负担。本研究探索了利用预训练模型和低成本硬件创建低成本视觉异常检测系统的无监督学习方法。该研究旨在开发一个需要最小训练数据即可保持通用性和可扩展性的低成本视觉异常检测解决方案。该系统利用 Anomalib 中的无监督学习模型，并通过 openVINO 在经济实惠的 Raspberry Pi 上部署。结果表明，该低成本系统仅需 10 张正常产品图像即可在 Raspberry Pi 上完成 90 秒的异常检测训练和推理，F1 macro 分数可超过 0.95。尽管该系统对环境变化（如灯光、产品定位或背景）较为敏感，但它仍是一个快速且经济的工厂自动化检查方法，适用于小型和中型制造商。代码可访问 https://github.com/Yunbo-max/Cost-Effective-Visual-Anomaly-Detection-using-Unsupervised-Learning。
关键词
引用
@article{arxiv.2409.15980,
title = {Leveraging Unsupervised Learning for Cost-Effective Visual Anomaly Detection},
author = {Yunbo Long and Zhengyang Ling and Sam Brook and Duncan McFarlane and Alexandra Brintrup},
journal= {arXiv preprint arXiv:2409.15980},
year = {2026}
}