异常检测（anomaly/ outlier detection）领域还有那些值得研究的问题？

之前提的这个问题得到了很多知友的关注，自己也一直在了解这个领域，想就工业瑕疵检测谈一下自己的理解，供大家交流。

首先，异常检测本质上是一种的无监督一分类问题（unsupervised one-class classification）。模型通过对正常样本的学习找出正常边界，然后将落在边界外的样本判为异常。具体模型可参考一篇经典survey [1].

具体到工业瑕疵检测，借助光学系统对产品表面成像然后借助算法自动检测出其中的瑕疵区域，如纹理瑕疵等等，有两类应用场景。一类是标记出瑕疵区域即可（defect localization only）；另一类是瑕疵标定和分类（defect localization and classification）。将其作为一种异常检测、分类问题当然没有问题，但在目标检测（objects detection）的框架下去考虑也许更合适。

传统的瑕疵检测的算法大致可分为四类 [2]: 基于表面结构的，基于统计方法的，基于滤波的和基于参数模型的。这些方法都需要人为地根据经验设计特征，如根据表面纹理的大小，方向等等。这也是这些方法的局限所在。实践中如何设计出一种有优秀表征能力的特征并非显而易见。尤其在第二类应用场景中，当产品表面含有多种瑕疵，尺度不一的时候，应用这些算法就显得困难。其次，算法的可迁移性差。模型参数根据具体的应用场景设定，当检测环境，检测对象有所变化的时候，则都要重新设定。因此，优秀的瑕疵检测算法应该能自动提取特征，具有较强的鲁棒性，在不同检测任务间具有良好的迁移能力。

近年来，随着深度学习的兴起，一些工作也开始尝试将其应用于瑕疵检测 [2-5]. 利用深度学习的最大优势在于可以自动提取图像特征，摆脱对人经验的依赖，同时可以实现端到端的训练。但是也有一些突出的问题。一方面生产中可以提供的训练样本往往有限，尤其涉及到第二类应用场景的时候，瑕疵样本的数量更是有限。如何利用有限的样本训练模型避免过拟合是一个棘手的问题。这也是限制深度学习在很多领域落地的主要因素。一个可行的方向是借助迁移学习，few-shot learning方面的进展。吴恩达团队声称利用5张图片就训练出了缺陷检测的模型，想必就是这个思路。同时轻量型的网络的设计也有助于解决这个问题，可参考U-Net在医疗领域的成功应用。深度学习用于瑕疵检测的另一个问题在于检测效率。要应用于工业流水线，瑕疵检测效率至少不能低于产品生产效率。在这方面深度学习方法劣于一些传统方法，有待进一步提升。

其实，无论是传统方法还是基于深度学习的方法，都只能算是检测系统的后端图像分析的部分。一个完整的检测系统还包括前端的图像采集部分，光学系统能否对产品高质量成像至关重要，否则再好的分析算法也枉然。软硬件的协调配合或者说系统的集成才是一个机器视觉系统成功的关键。

最后想说的是，到目前为止，很多领域都还依赖于人工去进行瑕疵检视，辛苦而且效率低下。随着产业转型升级和工业4.0时代的来临，全自动化生产将成为趋势。包括瑕疵检测在内的机器视觉技术将大有可为。

[1] Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey.ACM computing surveys (CSUR),41(3), 15.

[2] Ren, R., Hung, T., & Tan, K. C. (2017). A generic deep-learning-based approach for automated surface inspection.IEEE transactions on cybernetics,48(3), 929-940.

[3] Mei, S., Yang, H., & Yin, Z. (2018). An unsupervised-learning-based approach for automated defect inspection on textured surfaces.IEEE Transactions on Instrumentation and Measurement,67(6), 1266-1277.

[4] Napoletano, P., Piccoli, F., & Schettini, R. (2018). Anomaly detection in nanofibrous materials by cnn-based self-similarity.Sensors,18(1), 209.

[5] Yi, L., Li, G., & Jiang, M. (2017). An End‐to‐End Steel Strip Surface Defects Recognition System Based on Convolutional Neural Networks.steel research international,88(2), 1600068.