一、Anomalib 2.2.0 核心无监督算法列表
二、各算法核心原理与工业适配场景
- PatchCore（核心推荐）
核心原理
属于「基于记忆库的特征聚类」算法：
用预训练骨干网络（如 WideResNet50）提取正常样本的局部特征（Patch）；
对特征进行降采样和聚类，构建「正常特征记忆库」；
检测时，计算测试样本 Patch 特征与记忆库的距离，距离越远则异常概率越高；
Anomalib 2.2.0 优化了「特征压缩」和「近邻搜索」，大幅降低内存占用。
工业适配场景
首选场景：PCB 板检测、电子元件缺陷（短路 / 虚焊）、汽车零部件表面缺陷、玻璃 / 陶瓷表面划痕；
适配原因：兼顾精度和速度，对「点缺陷、区域缺陷、纹理缺陷」都有良好检测效果，且支持 OpenVINO 一键导出部署，工业落地成本最低。
优缺点
优点：精度高（工业数据集 MVTec AD 上 Top1）、推理速度快（单张图～10ms）、训练无需大量样本；
缺点：对超高分辨率图像（如 4K）处理稍慢（可配合 CFA 优化）。 - PaDiM（轻量级首选）
核心原理
属于「概率密度估计」算法：
提取正常样本的多层级特征，随机选择部分特征维度（降低计算量）；
对每个位置的特征拟合高斯分布（均值 + 协方差）；
检测时计算测试样本特征的「马氏距离」，超出阈值则判定为异常。
工业适配场景
首选场景：小样本场景（正常样本 < 100 张）、低算力边缘设备（如 ARM 工控机）、食品包装缺陷（如漏封、污渍）；
适配原因：训练速度极快（5 分钟完成）、显存占用低（仅需 2G 显存），适合样本少、算力有限的中小型产线。
优缺点
优点：训练快、部署轻量化、对小缺陷敏感；
缺点：对大面积缺陷（如零件缺失）检测精度略低于 PatchCore。 - FastFlow（实时性首选）
核心原理
属于「基于归一化流的生成式算法」：
用 CNN 骨干网络提取特征，通过「Flow 层」将正常样本特征映射到正态分布空间；
训练目标是让正常样本的特征分布尽可能接近正态分布；
检测时，计算特征的「对数似然概率」，概率越低则异常程度越高。
工业适配场景
首选场景：高速产线（如 30 帧 / 秒以上）、瓶盖缺陷检测、电池极片检测、印刷品瑕疵检测；
适配原因：推理速度是所有算法中最快的（单张图～5ms），适合需要实时检测的流水线。
优缺点
优点：推理速度极致、对运动模糊 / 光照变化鲁棒；
缺点：训练时间稍长，对极小缺陷（如微米级划痕）检测精度略低。 - STFPM（纹理缺陷专用）
核心原理
属于「师生网络对比学习」算法：
构建「教师网络（预训练）+ 学生网络（随机初始化）」；
训练时让学生网络模仿教师网络输出正常样本的纹理特征；
检测时，师生网络输出的特征差异越大，说明区域越异常。
工业适配场景
首选场景：金属表面纹理缺陷（如不锈钢划痕、铝板氧化）、皮革 / 布料纹理瑕疵、瓷砖表面缺陷；
适配原因：专门针对纹理类样本优化，能有效区分「正常纹理」和「异常纹理」（如划痕导致的纹理断裂）。
优缺点
优点：纹理缺陷检测精度高、对光照不敏感；
缺点：对非纹理类缺陷（如零件缺失）效果一般，推理速度中等。 - CFA（高分辨率图像专用）
核心原理
全称「Context-aware Feature Aggregation」，基于「上下文特征聚合」：
对高分辨率图像进行多尺度特征提取，保留细粒度细节；
融合「局部特征」和「全局上下文特征」，解决小缺陷易被忽略的问题；
通过特征重构误差判断异常。
工业适配场景
首选场景：超高分辨率图像检测（如 4K/8K 工业相机）、半导体晶圆缺陷、手机屏幕微米级划痕检测；
适配原因：保留更多细节信息，能检测到其他算法易遗漏的极小缺陷（<10 像素）。
优缺点
优点：高分辨率图像检测精度顶尖；
缺点：推理速度慢、显存占用高，适合离线检测或低速高精度产线。 - Reverse Distillation（反向蒸馏，高精度首选）
核心原理
创新的「特征蒸馏」思路（与传统蒸馏相反）：
用预训练的深层网络（教师）提取正常样本的「高层语义特征」；
让浅层网络（学生）学习「反向还原」这些特征，正常样本能还原，异常样本无法还原；
通过还原误差的热力图定位异常。
工业适配场景
首选场景：高精度要求的工业检测（如医疗耗材缺陷、精密机械零件检测）；
适配原因：MVTec AD 数据集上精度最高，能区分「微小缺陷」和「正常纹理波动」。
优缺点
优点：精度天花板、抗干扰能力强；
缺点：训练时间长、推理速度略慢于 PatchCore。 - Ganomaly（形变缺陷专用）
核心原理
基于 GAN（生成对抗网络）的无监督算法：
训练生成器模仿正常样本，判别器区分「生成样本」和「真实正常样本」；
异常样本无法被生成器准确还原，导致重构误差和判别误差显著升高；
Anomalib 2.2.0 优化了 GAN 的训练稳定性，降低模式崩溃风险。
工业适配场景
首选场景：零件形变缺陷（如塑料件变形、橡胶密封圈破损）、装配错位检测；
适配原因：对「形状 / 结构异常」的敏感度远高于其他算法。
优缺点
优点：形变缺陷检测效果独一档；
缺点：训练极不稳定、推理速度慢、对算力要求高（不推荐普通工业场景）。
三、工业场景选型建议（按优先级）
总结
通用首选：PatchCore 是 Anomalib 2.2.0 工业检测的「万能算法」，兼顾精度、速度和部署便捷性，无特殊场景优先选；
性能取舍：实时性优先选 FastFlow，高精度优先选 Reverse Distillation，小样本 / 低算力选 PaDiM；
场景适配：纹理缺陷选 STFPM，高分辨率小缺陷选 CFA，形变缺陷选 Ganomaly（仅特殊场景）。