前实习生因工业异常检测研究获国际大奖

前实习生因工业异常检测研究获国际大奖

图宾根大学的博士研究生卡斯滕·罗斯因在某中心科学实习期间完成的关于“Towards Total Recall in Industrial Anomaly Detection”的研究工作，获得了欧洲机器视觉协会（EMVA）青年专业奖。罗斯于5月13日在布鲁塞尔举行的第20届EMVA商业会议上接受了该奖项。

EMVA青年专业奖是一项年度奖项，旨在“表彰在机器视觉或图像处理领域做出杰出和创新性工作的学生或年轻专业人士”。

罗斯与某中心应用科学家拉塔·佩穆拉、前高级应用科学家华金·泽佩达、副总裁兼杰出科学家伯恩哈德·舍尔科普夫、某中心学者托马斯·布罗克斯以及高级应用科学家彼得·盖勒（他也是罗斯的导师）共同撰写的论文，解决了异常检测中所谓的“冷启动”问题。

解决冷启动挑战

“这个项目是为后来成为‘Lookout for Vision’的服务而做的，该服务帮助企业（通常是制造商）发现缺陷和异常，”盖勒解释道。Lookout for Vision 利用了小样本学习，这意味着可以基于相对较少的缺陷和正常产品示例来评估产品缺陷。然而，当企业只有名义上正常或非缺陷的产品图像可用时，挑战就出现了。

“我们研究的问题是你没有任何负面示例或缺陷的冷启动问题，”盖勒说。这一挑战还包括检测难以捕获的缺陷（例如细微划痕或缺失部件）以及发现未预见和未预料到的缺陷。

“我们的研究动机来自于一个真实且实际的挑战，”罗斯解释道。“我们开发的解决方案必须具有实用性质；首先致力于优化性能和可用性，而不是追求‘学术上的轰动效应’。”

PatchCore：基于非缺陷图像的解决方案

团队通过利用非缺陷物品的图像确定了解决方案。“我们研究了许多变体，”盖勒说。“最好的选择是基于建立一个良好示例的图像库，然后测试与这个库的‘接近程度’。”盖勒指出，问题在于如何定义“接近程度”。

“距离一个示例有多近取决于你如何拍摄图像以及如何编码图像，”他说。他补充道，借鉴深度学习架构的原理，解决方案是“将图像转化为一系列向量，然后比较这些向量——在多个阶段有多种方法可以实现这一点。”通过将产品与非缺陷示例进行比较，并确定产品与该理想状态有多接近或有多远，即使没有实际的缺陷示例，也可以标记出缺陷。

团队的解决方案 PatchCore 在广泛使用的 MVTec AD 基准测试中，实现了高达 99.6% 的图像级异常检测（AUROC）得分，“将误差比次优竞争对手减少了一半以上”。罗斯本周在 CVPR 2022 上展示了 PatchCore。

贡献与荣誉

盖勒表示罗斯的角色至关重要。“卡斯滕每周产出如此多的结果，以至于我们在一小时的周会上没有时间涵盖所有内容。”

“获得今年的 EMVA 青年专业奖进一步验证了这项研究的相关性和重要性，我很高兴能获得如此高规格的奖项，”罗斯说。

他补充说，他非常感谢在某中心实习期间的团队。

“在某中心进行研究的一个有些意外但非常受欢迎的收获是我的代码质量以及研究进度的整体记录都得到了显著改善，”他说，“特别要感谢彼得，他让整个研究实习成为了一次极好的体验。”