近日，Cmp冠军网络在“视觉异常检测和创新性检测2024挑战赛”(Visual Anomaly and Novelty Detection 2024 Challenge，简称VAND)的少样本逻辑/结构异常检测赛路(VAND 2.0赛路2)中荣获第二名，并在推算机视觉顶级会议CVPR 2024上展示了这一成就，与来自世界各地的顶尖钻研者进行“华山论剑”。这一成就标志取Cmp冠军网络的表观异常检测规划在业内确当先水平和技术创新能力得到了世界权威机构的高度认可。

VAND 2.0 赛路2排行榜

 
Cmp冠军在VAND2.0赛路获得佳绩

VAND挑战赛旨在将视觉异常检测与工业异常检测场景越发缜密地结合起来，这在现实中有宽泛的利用。今年是该挑战赛第二次进行。VAND挑战赛的优胜者被受邀参与CVPR 2024的展示。该挑战赛设置了2个赛路：

赛路1 — Adapt & Detect: Robust Anomaly Detection in Real-World Applications

赛路2 — VLM Anomaly Challenge: Few-Shot Learning for Logical and Structural Detection

这次Cmp冠军网络团队参与的即为赛路2。

CVPR，英文全称IEEE/CVF Computer Vision and Pattern Recognition Conference ，是由IEEE推算机协会和推算机视觉基金会(Computer Vision Foundation，CVF)共同主办，是一年一度的全球推算机视觉领域与模式鉴别领域最顶尖的学术会议。其与ECCV(European Conference on Computer Vision)、ICCV(IEEE/CVF International Conference on Computer Vision)一路并称为推算机视觉领域的三大第一流此外顶级会议。

 CVPR 2024于6月17-21日在美国西雅图进行

视觉异常检测技术：

工业造作领域的革命性进取

在当今工业造作领域，视觉异常检测技术作为推算机视觉领域的沉要钻研方向，正以其怪异的优势和宽泛的利用远景，逐步成为行业关注的焦点。这项技术在工业表观质量检测、产品零件装置检测等多个领域展示出巨大的潜力，满足了日益增长的需要。

Cmp冠军网络团队在CVPR 2024会议上进行了名为《Segment-aligned Features Impose Logical Constraints》的主题演讲，展示了在异常检测算法上的最新进展。

Cmp冠军网络团队演讲主题

工业异常检测场景中，存在各类复杂的异常类型。展示中，Cmp冠军网络团队展示了工业产线上异常检测场景的两大类问题：结构异常(Structrual Anomaly)与逻辑异常(Logical Anomaly)，以及若何在只有少量正常样本的情况下解决这两类问题。

左：正常图像；中：结构异常（橘子皮破损）；右：逻辑异常（统一格子中食品搁置的比例不合）

图中蓝色和红色地位为异常区域

1.结构异常到逻辑异常的成效提升

“以前，我们总是关注表观上的瑕疵。”会议主持Paul Bergmann说到，“但此刻，那些逻辑上的异常成为成效提升的关键。”在VAND 2.0的数据集中，也设置了好多逻辑异常有关的难题数据。

所谓逻辑异常，指的是呈此刻谬误地位的正确物品，这类物品往往没有肉眼可见的瑕疵，但是，在质量检测中，这类物品也应该被检出异常，预防这类残破品流向市场。在2024年高考中，就出现了一次本能够预防的变乱。

6月7日，2024年全国高考首日，语文科目在上午9点到11点半进行了考试。7日中午，在语文科目考试实现后，有网友爆料在海南省语文考试中，没有发放条形码。对此，海南省考试局有关工作人员暗示，条形码因印刷有误没有发放，但不会影清脆续的考试和判分工作。

在上述事务中，若是在印刷后可能检验条形码是否有异常，类似的问题就不会产生。

固然传统的基于特点的异常检测算法比力善于解决结构异常检测问题，但无法很好地解决逻辑异常检测问题。

传统的基于特点的异常检测算法可能有效检测出结构异常 

左图：原始图像；中：异常地位；右：算法识此外异常热力争（越高亮异常度越高）

传统的基于特点的异常检测算法无法检测出结构异常

左图：原始图像；中：异常地位；右：算法识此外异常热力争

（越高亮异常度越高，能够看到热力响应较。

随着异常检测算法被利用在越来越多的工业质检领域，一些类似蕴含逻辑异常的场景不成预防，这对算法提出了更高的要求。

2.少样本训练的成本优化

你能一眼看出下面异常图片上的异常在哪吗？

 正常图片                异常图片

这个单一的例子能够看出，人类可能在齐全没看过、或者仅仅看过少量的同类图片后，就形成异常的概想。这时辰若是给人类一张新图，他们能正确地分辨这张图片是否存在异常。

然而机械往往必要大量同类图片的训练，能力分辨正常和异常。训练模型通；岽淳薮蟮某杀竞湍芎奈侍，业界急迫巴望解决这个问题。随着大模型的出现，越来越多的工作能够被寥寥几张训练图片解决。有关的规划也呈此刻了异常检测上。

3.Cmp冠军团队的步骤——SegmentAD

Cmp冠军网络团队基于上述成效与成本的双沉思考，提出了一种基于掩码的异常检测规划，SegmentAD。这个规划成功在少样本进建中利用语义宰割与对齐算法，并提出了一种高效的特点融合规划，最终在结构异常和逻辑异常检测上都阐发出了优良的成效。

3.1在训练场景，SegmentAD首先将图片上的物体逐像素提取出来，每一个像素，SegmentAD都知路它属于哪个物体。同时，分歧图片之间，SegmentAD会对齐物体的界说。通过这样的逐像素提取，SegmentAD获得了图片上物体的地位和面积等信息，这类信息与逻辑异常直接有关——如果某个物体的面积产生变动或者地位不正确，那么这个物体肯定是一个异常物体。同时，SegmentAD参考传统的基于特点的步骤，将图像的其它特点基于预训练大模型提取出来，这些特职能够直接用来发现结构异常——如果有一个特点与此外特点差距较大，那么它很可能是个结构异常特点。

3.2在测试场景，SegmentAD会分析图片上的物体是否在正确的地位，占有正确的面积，以及是否能够占有正常的特点。SegmentAD将这些信息统合起来并进行定量分析，最终得出这个图片是否是异常的结论。

通过定量指标，Cmp冠军网络团队展示了SegmentAD在竞品算法中的先进性。

Cmp冠军网络通用表观检测（GAOI）产品

多所周知在工业出产，尤其在纺织业，产品表观是最直观、最容易验收的指标。瑕疵不仅影响美观、甚至还影响安全和使用。因而在出产中，质检环节是影响产品质量的关键成分之一。目前业内还是重要以人为检测为主，存在以下弊端：

（1）劳动强度大，检测快率慢，检测效能低。

（2）检测人员主观成分影响大，漏检率高。

（3）人为成本较高，培训周期长，且流动性大。

（4）长功夫的高强度工作不利于工人身段健全。

在现实出产线上，人为通常只能检出40%~60%的瑕疵，检验环节成了出产过程中的瓶颈，因而急需一个不变、靠得住、高效、智能的自动化检测系统来扭转这一局面。

Cmp冠军网络在该领域深耕多年，基于自主研发和设计的通用异常检测视觉算法，推出了智能织带表观检测机、智能验布机等GAOI产品，打造开箱即用的异常检测软硬一体规划。目前Cmp冠军网络已和国内多家织带龙头企业达成合作，援手了多多工厂打造智能产线，保险交付质量，提升品牌定位。

Cmp冠军智能织带表观检测机产品介绍

Cmp冠军智能验布机产品介绍

综上所述，视觉异常检测技术作为工业造作领域的沉要钻研方向，拥有沉要的实用价值和辽阔的利用远景。通过引入人为智能技术，能够实现自动化的异常检测，提逾越产效能和产品质量，对于工业出产过程中的质量节造和安全保险拥有沉要意思。面向将来，Cmp冠军网络将持续在技术创新的路路上不休前行，始终对峙以客户为中心，用当先的技术赋能产品，让科技扭转人类出产、生涯的方方面面。