2022/11/14-11/19周报
周报内容：
1.《工业缺陷检测深度学习方法综述》精读
2.复现《ChangChip》
3.复现《Gaussian Anomaly Detection》
4.下周工作计划
学习产出：
一、《工业缺陷检测深度学习方法综述》精读并结合前面复现内容
工业缺陷检测更关注像素层面的检出任务。
在像素层面上, 异常与正常模式的差别更加细微, 检测难度也大幅增加, 工业缺陷往往出现在图像中的小部分区域, 显著程度更低, 且语义概念模糊. 因而, 工业缺陷检测更关注于检测图像中的异常像素.
工业视觉缺陷检测任务一般包括分类和定位。
对于一个待测图像实例, 分类任务首先将其二分类为正常样本或缺陷样本; 当缺陷类型已知时, 还可进一步对缺陷类型进行判别。
定位任务的目标是找到缺陷在图像中的具体区域, 根据缺陷区域的描述方式可分为检测 (检测框) 与分割 (像素级).
在实际的工业缺陷定位任务中, 研究者们更关注缺陷分割方法.。
1.有监督方法：如YOLOE+
对模型的调整主要在于两个思路：引入轻量化网络提升检测速度; 利用多尺度融合与数据增强等方法来提升检测精度
但在实际情况中, 含有缺陷的样本极难获取. 面对缺陷的未知性与无规则性, 基于缺陷先验知识的方法存在较大的局限性. 因此, 无监督的设置已经引起了广泛重视.
2.无监督方法
缺陷被定义为正常范围之外的模式.
此时定位结果的输出一般是像素级的分割结果
（1）基于图像重建的方法：
仅在正常样本上训练模型, 使其学习到足以用来重建出正常样本的分布特征. 如：Draem
但重建图像的像素可能未与输入图像对齐, 重建过程还可能同时改变图像的风格, 这些偏
差都会导致检测错误, 限制了检测的性能.
（2）基于特征相似度的方法：
借助深度神经网络的特征提取能力, 此类方法的核心目的是找到具有区分性的特征嵌入, 并减少无关特征的干扰。.如：ChangChip
但ChangChip对参照图和测试图要求较高，对于可活动范围区域容易产生误检
（3）基于特征距离度量的方法
如：《Gaussian Anomaly Detection by Modeling the Distribution of Normal Data in Pretrained Deep Features》和《Modeling the distribution of normal data in pre-trained deep features for anomaly detection.》（下周可以看看这篇论文）
二、复现《ChangChip》
测试图（有缺陷）：
参考图（无缺陷）：
差异图：
mse：
使用我们的数据集：
测试图和参考图：
差异图：
结果分析：可以判断出四个缺陷的位置，但同时，也会因为光照和元器件摆放位置而造成误检
三、复现《Gaussian Anomaly Detection》
调试代码，使用MvTec AD数据集进行实验：
性能良好。
由于测试集需要异常样本，及其缺陷位置的掩膜。
利用labelimg标注生成的.xml文件，生成相应的掩膜图（虽然要求的是生成像素级别的掩膜图--有缺陷轮廓的，但是整了半天还是不会弄，只好利用现成的标注文件了，先试试效果怎么样）：
四、下周工作计划
1.将制作好的数据集加入多元高斯模型查看效果
2.多尝试数据集分类方法，提升聚类质量
在工业场景中，元器件的位置会有微小的变动，而我们的缺陷对于整个图像来说，也只是微小的变化，那么特征点是否能从中分离出来呢？
尤其是可活动范围区域，对多元高斯和Changechip两者方法都影响较大。
初步想法：
1.Changechip：人工打标，遮蔽住可活动范围区域，对其他区域进行对比检测
2.多元高斯：想一种分块方法，对可活动区域进行额外分析。 （先对其组件识别？ --但是元器件种类会不会一直迭代，后续要添加新类别）