基于AI的异常检测。
大家好，欢迎观看本视频。在本视频中，我会为大家介绍MVTec MERLIC基于深度学习的"Detect Anomalies"(检测异常)工具。为此，我们来深入探索。
MERLIC示例"detect anomalies_of bottles.mvapp"，这个示例应用的目的是检验玻璃瓶，检测像这样的缺陷。不过首先，什么是异常检测？异常检测的核心是二元分类，这意味着输入会分配到两个类别之一。输入图像后，异常检测会告诉您是"合格"还是"不合格"。
异常检测基于无监督学习。基于AI的异常检测是两个类别中只需要训练一个，另一个会默认为非接受类别。因此，不需要精密标注。经过训练的类别称为"合格"，默认非接受类别称为"不合格"。MERLIC中异常检测的用例是查找局部异常。对于有很多"合格"样本，但缺陷比较少见并且多种多样的应用，这种检测尤其有用。
异常检测只需要少量图像即可完成模型训练。在某些情况下，20张图像就足够。因此，异常检测训练十分方便，并且可以快速构建原型。(图像源)工具用于"Determine Alignment with(使用匹配确定对齐)，(对齐图像)工具则用于帮助"检测异常"工具预处理图像。
"检测异常"工具会执行异常检测，请注意"Quick Info"(快速信息)。在其中可以找到关于如何使用"检测异常"工具的概述。
MERLIC同时支持CPU和GPU作为处理设备。为了本教程，我对这个示例稍微做了一点更改，这些更改是为了向大家展示如何在MVTec MERLIC中并对"图像源"工具进行了配置，以便采集训练数据。此外，我将训练数据分为"合格"和"不合格"图像。"不合格"图像在训练中不会用到，但它们可以大大改善异常检测的结果。
现在开始配置"检测异常"工具，首先要训练异常检测模型，为此，需要在"图像源"工具中选择包含"合格"训练数据的文件夹。通过进入"检测异常"工具开始训练按钮或按键盘上的"F3"键，将数据逐一添加到训练中，然后进行标注。
您可以通过单击"Execute MERLIC Vision App once"视觉应用)或按键盘上的"F6"来浏览数据。对每张图像执行这一操作。直到遇到已经插入训练的图像。已经添加到训练中的数据会标注为"lnserted"，可以按"x"按钮将重复或不需要的数据从训练中删除。
成功将所有图像添加到训练集后，就可以训练异常检测模型了。这可能需要一些时间。对于推理，将图像源改为包含处理数据的文件夹。"检测异常"工具中，现在可以看到图像的处理过程。
在这里还可以通过单击"Execute MERLIC Vision App once"视觉应用)或按键盘上的F6键来逐一浏览推理图像。如您所见，这个应用在检测异常方面的表现已经相当出色。但是为了进一步提高表现，可以将图像源更改为包含"不合格"训练数据的文件夹。
回到异常检测工具，将"不合格"图像添加到训练集，就像之前提到的。然后再次训练，而是用来评估异常模型，从而更好地调整异常阈值，这样异常检测就能更好地从我们的前端可以清楚地看到哪些图像包含异常。
右上角的红灯表示异常，此外热图显示了这些异常的确切位置。异常检测的应用还有很多，例如焊点检测或木材缺陷检查。
本视频到此结束。您现在应该能够浏览来调整。如有关于MERLIC的意见反馈，请随时通过右上角的反馈按钮发送给我们。
