近日，銳捷網絡在“視覺異常檢測和創新性檢測2024挑戰賽”(Visual Anomaly and Novelty Detection 2024 Challenge，簡稱VAND)的少樣本邏輯/結構異常檢測賽道(VAND 2.0賽道2)中榮獲第二名，并在計算機視覺頂級會議CVPR 2024上展示了這一成果，與來自世界各地的頂尖研究者進行“華山論劍”。這一成績標志著銳捷網絡的外觀異常檢測方案在業內的領先水平和技術創新能力得到了世界權威機構的高度認可。

VAND 2.0 賽道2排行榜

銳捷在VAND2.0賽道取得佳績

VAND挑戰賽旨在將視覺異常檢測與工業異常檢測場景更加緊密地結合起來，這在現實中有廣泛的應用。今年是該挑戰賽第二次舉辦。VAND挑戰賽的優勝者被受邀參加CVPR 2024的展示。該挑戰賽設置了2個賽道：

賽道1 — Adapt & Detect: Robust Anomaly Detection in Real-World Applications

賽道2 — VLM Anomaly Challenge: Few-Shot Learning for Logical and Structural Detection

此次銳捷網絡團隊參加的即為賽道2。

CVPR，英文全稱IEEE/CVF Computer Vision and Pattern Recognition Conference ，是由IEEE計算機協會和計算機視覺基金會(Computer Vision Foundation，CVF)共同主辦，是一年一度的全球計算機視覺領域與模式識別領域最頂尖的學術會議。其與ECCV(European Conference on Computer Vision)、ICCV(IEEE/CVF International Conference on Computer Vision)一起并稱為計算機視覺領域的三大最高級別的頂級會議。

CVPR 2024于6月17-21日在美國西雅圖舉辦

視覺異常檢測技術：工業制造領域的革命性進步

在當今工業制造領域，視覺異常檢測技術作為計算機視覺領域的重要研究方向，正以其獨特的優勢和廣泛的應用前景，逐漸成為行業關注的焦點。這項技術在工業外觀質量檢測、產品零件安裝檢測等多個領域展現出巨大的潛力，滿足了日益增長的需求。

銳捷網絡團隊在CVPR 2024會議上進行了名為《Segment-aligned Features Impose Logical Constraints》的主題演講，展示了在異常檢測算法上的最新進展。

銳捷網絡團隊演講主題

工業異常檢測場景中，存在各種復雜的異常類型。展示中，銳捷網絡團隊展示了工業產線上異常檢測場景的兩大類問題：結構異常(Structrual Anomaly)與邏輯異常(Logical Anomaly)，以及如何在只有少量正常樣本的情況下解決這兩類問題。

左：正常圖像；中：結構異常（橘子皮破損）；右：邏輯異常（同一格子中食物放置的比例不對）

圖中藍色和紅色位置為異常區域

1.結構異常到邏輯異常的效果提升

“以前，我們總是關注外觀上的瑕疵。”會議主持Paul Bergmann說到，“但現在，那些邏輯上的異常成為效果提升的關鍵。”在VAND 2.0的數據集中，也設置了很多邏輯異常相關的困難數據。

所謂邏輯異常，指的是出現在錯誤位置的正確物品，這類物品往往沒有肉眼可見的瑕疵，但是，在質量檢測中，這類物品也應該被檢出異常，避免這類殘缺品流向市場。在2024年高考中，就出現了一次本可以避免的事故。

6月7日，2024年全國高考首日，語文科目在上午9點到11點半進行了考試。7日中午，在語文科目考試結束后，有網友爆料在海南省語文考試中，沒有發放條形碼。對此，海南省考試局相關工作人員表示，條形碼因印刷有誤沒有發放，但不會影響后續的考試和判分工作。

在上述事件中，如果在印刷后能夠檢驗條形碼是否有異常，類似的問題就不會發生。

雖然傳統的基于特征的異常檢測算法比較擅長解決結構異常檢測問題，但無法很好地解決邏輯異常檢測問題。

傳統的基于特征的異常檢測算法能夠有效檢測出結構異常

左圖：原始圖像；中：異常位置；右：算法識別的異常熱力圖（越高亮異常度越高）

傳統的基于特征的異常檢測算法無法檢測出邏輯異常左圖：原始圖像；中：異常位置；右：算法識別的異常熱力圖

（越高亮異常度越高，可以看到熱力響應較小）

隨著異常檢測算法被應用在越來越多的工業質檢領域，一些類似包含邏輯異常的場景不可避免，這對算法提出了更高的要求。

少樣本訓練的成本優化

你能一眼看出下面異常圖片上的異常在哪嗎？

正常圖片                                                                異常圖片

這個簡單的例子可以看出，人類能夠在完全沒看過、或者僅僅看過少量的同類圖片后，就形成異常的概念。這時候如果給人類一張新圖，他們能準確地分辨這張圖片是否存在異常。

然而機器往往需要大量同類圖片的訓練，才能區分正常和異常。訓練模型通常會帶來巨大的成本和能耗問題，業界急切渴望解決這個問題。隨著大模型的出現，越來越多的任務可以被寥寥幾張訓練圖片解決。相關的方案也出現在了異常檢測上。

銳捷團隊的方法——SegmentAD

銳捷網絡團隊基于上述效果與成本的雙重考慮，提出了一種基于掩碼的異常檢測方案，SegmentAD。這個方案成功在少樣本學習中應用語義分割與對齊算法，并提出了一種高效的特征融合方案，最終在結構異常和邏輯異常檢測上都表現出了良好的效果。

1. 在訓練場景，SegmentAD首先將圖片上的物體逐像素提取出來，每一個像素，SegmentAD都知道它屬于哪個物體。同時，不同圖片之間，SegmentAD會對齊物體的定義。通過這樣的逐像素提取，SegmentAD獲得了圖片上物體的位置和面積等信息，這類信息與邏輯異常直接相關——假如某個物體的面積發生變化或者位置不正確，那么這個物體一定是一個異常物體。同時，SegmentAD參考傳統的基于特征的方法，將圖像的其它特征基于預訓練大模型提取出來，這些特征可以直接用來發現結構異常——假如有一個特征與別的特征差異較大，那么它很可能是個結構異常特征。

2. 在測試場景，SegmentAD會分析圖片上的物體是否在正確的位置，擁有正確的面積，以及是否可以擁有正常的特征。SegmentAD將這些信息統合起來并進行定量分析，最終得出這個圖片是否是異常的結論。

通過定量指標，銳捷網絡團隊展示了SegmentAD在競品算法中的先進性。

銳捷網絡通用外觀檢測（GAOI）產品

眾所周知在工業生產，尤其在紡織業，產品外觀是最直觀、最容易驗收的指標。瑕疵不僅影響美觀、甚至還影響安全和使用。因此在生產中，質檢環節是影響產品質量的關鍵因素之一。目前業內還是主要以人工檢測為主，存在以下缺點：

（1）勞動強度大，檢測速度慢，檢測效率低。

（2）檢測人員主觀因素影響大，漏檢率高。

（3）人工成本較高，培訓周期長，且流動性大。

（4）長時間的高強度工作不利于工人身體健康。

在實際生產線上，人工通常只能檢出40%~60%的瑕疵，檢驗環節成了生產過程中的瓶頸，因此急需一個穩定、可靠、高效、智能的自動化檢測系統來改變這一局面。

銳捷網絡在該領域深耕多年，基于自主研發和設計的通用異常檢測視覺算法，推出了智能織帶外觀檢測機、智能驗布機等GAOI產品，打造開箱即用的異常檢測軟硬一體方案。目前銳捷網絡已和國內多家織帶龍頭企業達成合作，幫助了眾多工廠打造智能產線，保障交付質量，提升品牌定位。

銳捷智能織帶外觀檢測機產品介紹

銳捷智能驗布機產品介紹

綜上所述，視覺異常檢測技術作為工業制造領域的重要研究方向，具有重要的實用價值和廣闊的應用前景。通過引入人工智能技術，可以實現自動化的異常檢測，提高生產效率和產品質量，對于工業生產過程中的質量控制和安全保障具有重要意義。面向未來，銳捷網絡將繼續在技術創新的道路上不斷前行，始終堅持以客戶為中心，用領先的技術賦能產品，讓科技改變人類生產、生活的方方面面。

關鍵詞：