工业图像无监督异常检测研究原型-WRN-PaDiM 多尺度异常检测

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。