前言
距离上次更新字符缺陷检测已经快过去半年了，这段时间天天客户现场连轴转，过完年终于有点时间继续学习了，今天有空坐下来，把VisionMaster中另一个重量级模块 ------**异常检测（Anomaly Detection）**的使用心得整理出来。
如果说字符缺陷检测是"有标准答案的考试"，那么异常检测就是"开放式命题"：不需要标注缺陷样本，只需要告诉算法什么是正常（OK）的，什么是不正常 ( NG )的 ,它就能自动找出任何偏离正常的区域。这对于缺陷形态多变、难以穷举的不良场景简直是救星。
一：进一步学习
今天学习VisionMaster中的异常检测模块 ：基于深度学习的无监督缺陷检测，适用于纹理表面缺陷（如划痕、脏污、异物、色差、压伤等）。该模块在VM 4.3版本中已内置，无需额外训练环境，直接在软件内完成模型训练与推理。
二：开始学习
1：什么是异常检测？
异常检测（Anomaly Detection）是深度学习在工业视觉中的典型应用。与传统模板比对不同，它通过学习大量正常样本的特征分布，建立一个"正常模型"。当输入图像的特征与模型预期偏差超过阈值时，即判定为异常。
2：应用场景
异常检测在工业领域的应用极其广泛，特别是那些缺陷形态不固定、难以预先定义的场景：
| 应用领域 | 典型产品/场景 | 主要检测内容 | 核心优势 |
|---|---|---|---|
| 纺织印染 | 布料、皮革、无纺布 | 断经断纬、污渍、色差、破洞 | 适应纹理变化，无需每种缺陷单独训练 |
| 金属加工 | 铝箔、铜箔、钢板、拉丝金属 | 划痕、压伤、氧化、异物附着 | 对光照变化鲁棒性强 |
| PCB制造 | 阻焊层、线路板表面 | 绿油缺损、铜面氧化、异物 | 可检测微小缺陷（0.1mm级） |
| 锂电池 | 极片、隔膜、电芯表面 | 涂布缺陷、褶皱、金属异物 | 满足产线高速检测需求（>100m/min） |
| 玻璃/光学 | 盖板玻璃、光学膜片 | 划痕、崩边、脏污、气泡 | 透明/半透明材质适配 |
| 包装印刷 | 烫金、覆膜、标签 | 套印不准、脏污、缺料 | 与字符检测互补，检测非字符区域 |
三：直接上案例
1：先导入需要测试的图片集合
2：使用轮廓定位，把两个组件的线连起来，这里是需要设定模版匹配功能，这样图像不管怎么旋转都能准确定位图像位置，具体操作步骤可以参考前面课程
3：拖入位置修正功能：这个非常重要，这里也不提了，可以参考上一篇笔记
4：拖入异常检测模块
5：双击组件，开始设定参数：
界面分为三个主要标签页：基本参数、模型训练、运行参数。
（1）基本参数------就是输入自动，前面图像输入连线后自动会有的
（2）缺陷模型：这里一开始需要点击新建模型
（3）：我把当前图片点胶区域作为特征匹配区域框起来，右边有模型参数，我现在设定的自动，小伙伴们可以选择手动，手动调整参数看效果
（4）：这里后点下一步在绘制下检测区域
（5）：在下一步后下面就是挑选OK和NG了，你认为OK或者NG的，右边那个按钮点一下就是相当于标定了，然后点下"重新训练"，完成即可
四：实测：上述设定好参数，开始实际测量看看效果
