工业质检常见缺陷样本少、类别变化快,难以为每种异常建立充分监督数据。项目目标是用正常样本学习特征分布,对未知异常输出样本级异常分数,并提供ROC、分数分布、排序图和低维可视化,便于比较模型版本。原型覆盖Deep SVDD、自编码器、PaDiM、PatchCore、DecompNet、ViT和Wide-ResNet多条技术路线;当前推荐版本以WideResNet50-2提取多尺度特征,在固定32×32网格上建立位置相关的高斯统计。业务/实验流程为整理正常训练集,提取layer1—3特征并降到128维,增量估计均值/协方差,计算马氏距离异常分数,最后在三组离线数据上汇总AUROC和诊断图。
我负责从基线到多模型迭代、特征统计实现、内存优化和离线评估。最终脚本deep_svdd_v5_wrn_incr.py使用PyTorch/torchvision加载WideResNet50-2预训练骨干,拼接多层特征后做128维随机投影;为避免一次性保存全部高维特征,采用增量均值/协方差统计,在32×32空间网格逐位置建立PaDiM模型。三组数据合计586张测试图,AUROC分别为0.9573、0.9431、0.9712;对应混淆矩阵也被冻结在summary_v50_wrn_incr.json。难点是高维协方差的内存和数值稳定,我通过降维、协方差正则、分批特征提取和固定网格解决。评估脚本目前使用测试标签上的ROC Youden-J选择阈值,因此Accuracy/F1可能偏乐观;案例把阈值无关的AUROC作为主结果,并明确这是本地离线研究原型,未做独立外部或生产验证,也不公开原始工业图片。