欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

用 PatchCore 做无监督工业缺陷检测:仅用正常样本即可上线

上邦 AI 工程团队2026-10-05阅读 约 8 分钟
工业缺陷检测常卡在缺陷样本太少、标注太贵。PatchCore(CVPR 2022)只用正常图片训练,将正常 patch 特征存入记忆库,推理时比对最近邻距离完成缺陷判定与定位,在 MVTec AD 上检测 AUROC 最高达 99.6%。本文给出 PyTorch 与 OpenCV 可复现实现,说明它与有监督方案的取舍。

一、为什么选无监督

产线上的良品图片取之不尽,但划痕、脏污、装配缺失等缺陷样本极其稀少,且每类缺陷都要人工标注,成本随品类线性上涨。无监督方法的核心优势是冷启动:只用正常样本即可建模,上线快、覆盖新缺陷类型时无需重新标注。

二、PatchCore 原理(精简版)

PatchCore 用预训练图像模型(如 ImageNet 上的 WideResNet-50)把图像切成若干局部 patch 并提取特征,再从全部正常 patch 中采样出一个最具代表性的记忆库。推理时,对测试图的每个 patch 特征,在记忆库里找最近邻距离,距离越大越可能是异常;把所有 patch 的距离上采样回原图,就得到缺陷定位热力图。

三、可复现代码

先准备依赖与正常样本目录(这里用最简流程示意,真实训练请用 MVTec AD 的 good 类图片):
import torch, torchvision, numpy as np, cv2
from torchvision.models import wide_resnet50_2

# 1) 加载预训练骨干,只取特征
m = wide_resnet50_2(pretrained=True)
feat_layers = [m.layer1[-1], m.layer2[-1], m.layer3[-1]]
m.eval()

def extract_patches(img_path):
    x = torchvision.transforms.ToTensor()(cv2.imread(img_path)[..., ::-1])
    x = torchvision.transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])(x)
    with torch.no_grad():
        f = [L(x.unsqueeze(0)) for L in feat_layers]
    return [p.flatten(2).transpose(1,2) for p in f]  # 每个 patch 一个向量

# 2) 用正常样本构建记忆库(示意,真实需做采样降冗余)
memory = []
for p in normal_image_paths:
    for pf in extract_patches(p):
        memory.append(pf)
memory = torch.cat(memory)
推理时计算最近邻距离并生成热力图(示意):
def score(img_path, memory, k=1):
    q = torch.cat(extract_patches(img_path))
    d = torch.cdist(q, memory)            # 每个查询 patch 到记忆库距离
    s = d.kthvalue(k).values.mean()       # 取 k 近邻平均距离作为异常分
    return s.item()

# 定位:把每个 patch 距离上采样回原图尺寸即得热力图

四、与有监督方案的取舍

PatchCore 适合缺陷稀少、需要快速上线的场景,且对未知缺陷类型更鲁棒。
若某类缺陷样本充足且形状固定,有监督分割(如 YOLOv8-seg)通常定位更精细、误报更低。
工程上常组合使用:PatchCore 做有没有异常的初筛,有监督模型做是什么缺陷的精判。

五、部署提醒

提醒:预训练骨干在 ImageNet 上训练,工业纹理分布与之有差异,建议在自有正常样本上做特征适配或轻量微调;推理应在产线边缘设备做量化(如 INT8)以压低时延,上线前用一组已知缺陷做召回率验收,不要只看正常样本的通过率。

参考来源

Towards Total Recall in Industrial Anomaly Detection - Roth 等,CVPR 2022(openaccess.thecvf.com);patchcore-inspection 官方实现 - GitHub(amazon-research);MVTec AD 基准数据集 - MVTec Software。
相关标签:工业缺陷检测PatchCore无监督学习PyTorchMVTec AD

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案