Разработка системы детекции аномалий по изображениям

Промышленный контроль качества часто упирается в отсутствие размеченных данных о дефектах. Обучить модель только на нормальных образцах звучит сложно, но современные unsupervised методы справляются с этим без единой разметки. Мы внедряем такие системы на производствах уже много лет — более 20 проектов по компьютерному зрению. Наш опыт включает автоматическое выявление царапин, трещин, загрязнений и других аномалий. Согласно исследованию MVTec-AD, современные методы unsupervised детекции достигают AUROC 99%.

Почему unsupervised подход лучше supervised для аномалий?

Supervised детекция требует тысяч примеров каждого дефекта. В реальности дефекты редки и разнообразны — собрать репрезентативную выборку практически невозможно. Unsupervised обучение решает эту проблему: модель запоминает только норму и сигнализирует обо всех отклонениях. На бенчмарке MVTec-AD современные методы достигают AUROC 99.1% (PatchCore) и 98.9% (EfficientAD) — вплотную к supervised подходам, но без затрат на разметку.

Как выбрать метод под свою задачу?

Выбор архитектуры зависит от объёма данных и требований к скорости. PatchCore строит memory bank из нормальных патчей — не обучается градиентно, поэтому стартует за минуты. EfficientAD требует больше данных (от 200 изображений), но выдаёт стабильно высокое качество при инференсе до 10 мс на GPU. Если нужно детектировать аномалии без переобучения (zero-shot), подойдёт WinCLIP на базе CLIP.

PatchCore: оптимальный алгоритм для малых данных

PatchCore подходит для сценариев, где доступно 50–200 нормальных изображений.

from anomalib.models import PatchCore from anomalib.data import Folder from anomalib import TaskType from lightning.pytorch import Trainer datamodule = Folder( name='my_product', root='./dataset', normal_dir='train/good', abnormal_dir='test/defective', task=TaskType.SEGMENTATION, image_size=(256, 256), train_batch_size=32, eval_batch_size=32 ) model = PatchCore( backbone='wide_resnet50_2', pre_trained=True, layers=['layer2', 'layer3'], coreset_sampling_ratio=0.1, num_neighbors=9 ) trainer = Trainer(max_epochs=1) trainer.fit(model, datamodule) 

Как мы внедряем систему за 1-2 недели?

Процесс разработки состоит из пяти этапов:

1. Анализ производства: оценка доступных данных, условий съёмки, требований к FP/FN.
2. Сбор эталонных образцов: съёмка 50–200 нормальных изображений продукта.
3. Выбор архитектуры и обучение: PatchCore для малых данных, EfficientAD для высоких нагрузок.
4. Калибровка порогов и тестирование: настройка порога по квантилю с заданным FPR.
5. Деплой и интеграция: контейнеризация, REST API, интеграция с SCADA.

Сравнение методов обнаружения аномалий

EfficientAD — лучший выбор для production из-за скорости инференса при сохранении высокого AUROC. Мы используем его в проектах с высокими требованиями к latency.

Как настраивается порог обнаружения?

Порог определяет, начиная с какого score образец считается аномальным. Мы калибруем его по квантилю на валидационных нормальных данных:

class AnomalyDetector: def __init__(self, model_path: str, threshold: float = None): self.model = load_model(model_path) self.threshold = threshold or self._calibrate_threshold() def _calibrate_threshold(self, fp_rate: float = 0.01) -> float: """Порог при заданном False Positive Rate""" val_scores = self._predict_normal_samples() threshold = np.quantile(val_scores, 1 - fp_rate) return float(threshold) def predict(self, image: np.ndarray) -> dict: result = self.model(image) score = float(result.anomaly_score) return { 'anomaly_score': score, 'is_anomaly': score > self.threshold, 'severity': self._classify_severity(score), 'heatmap': result.anomaly_map, 'threshold': self.threshold } def _classify_severity(self, score: float) -> str: if score < self.threshold: return 'normal' elif score < self.threshold * 1.5: return 'minor' elif score < self.threshold * 2.5: return 'moderate' return 'severe' 

Локализация аномалий через тепловые карты

Тепловая карта (anomaly map) позволяет точно показать оператору место дефекта:

import matplotlib.pyplot as plt import matplotlib.cm as cm def visualize_anomaly(original: np.ndarray, anomaly_map: np.ndarray, threshold: float) -> np.ndarray: heatmap_norm = (anomaly_map - anomaly_map.min()) / \ (anomaly_map.max() - anomaly_map.min() + 1e-8) heatmap_colored = cv2.applyColorMap( (heatmap_norm * 255).astype(np.uint8), cv2.COLORMAP_JET ) _, mask = cv2.threshold( (heatmap_norm * 255).astype(np.uint8), int(threshold * 255), 255, cv2.THRESH_BINARY ) contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) overlay = cv2.addWeighted(original, 0.6, heatmap_colored, 0.4, 0) cv2.drawContours(overlay, contours, -1, (0, 255, 0), 2) return overlay 

Что входит в разработку системы под ключ

Мы берём на себя весь цикл: от сбора эталонных образцов до деплоя на линию. В deliverables входят:

• Анализ производства: оценка доступных данных, условий съёмки, требований к FP/FN.
• Выбор архитектуры: PatchCore для малых данных, EfficientAD для высоких нагрузок.
• Калибровка порогов и метрик: под ваши бизнес-критерии.
• Деплой и интеграция: контейнеризация, REST API, интеграция с SCADA.
• Документация и обучение операторов: инструкции по эксплуатации и интерпретации результатов.
• Гарантийная поддержка 6 месяцев: сопровождение и донастройка.

Сроки и наш опыт

Мы — сертифицированные инженеры с многолетним опытом в MLOps. За нашими плечами 20+ проектов по компьютерному зрению на производствах. Обнаружение аномалий — наша профильная компетенция. Свяжитесь с нами для оценки вашей задачи — мы подберём оптимальное решение и рассчитаем бюджет в течение 2 дней. Закажите пилотный проект на одном продукте — уже через неделю у вас будет работающий прототип.