编辑推荐：
在汽车制造中，钣金胶线质量检测至关重要。为降低基于视觉的检测系统高误报率问题，研究人员开展了 17 种无监督深度学习模型的对比研究。结果显示模型能有效检测和定位异常，减少误报。这有助于提升汽车生产效率与质量。
在汽车制造的舞台上，钣金胶线就像一位幕后英雄，默默发挥着关键作用。它负责连接不同的材料，确保汽车的结构稳固。然而，在实际生产过程中，钣金胶线的质量问题却成为了困扰汽车制造商的一大难题。传统的基于视觉的检测系统，就像是戴着一副不太靠谱的眼镜，常常出现高误报率的情况。这不仅导致了不必要的干预，还降低了生产效率，增加了生产成本。为了解决这些问题，来自国外的研究人员开展了一项极具意义的研究，他们的研究成果发表在了《Engineering Applications of Artificial Intelligence》上。
研究人员面临的主要挑战是如何降低钣金胶线检测中的误报率，提高检测的准确性和效率。为了攻克这一难题，他们从无监督深度学习模型入手，进行了深入的探索。
在研究过程中，研究人员采用了多种关键技术方法。首先，他们与瑞典的一家汽车制造商合作，收集了来自生产一线的钣金胶线图像数据，构建了具有代表性的数据集。接着，运用数据增强策略，通过图像编辑软件模拟真实的工业缺陷，扩充了训练集。同时，选择 17 种无监督深度学习模型及 28 种骨干网络进行对比实验，在统一的计算环境中评估模型性能，并采用图像级和像素级指标衡量模型的检测与定位能力 。
研究结果主要从以下几个方面呈现：
- 性能表现：在运行时间性能上，特征嵌入模型训练时间普遍较短，如基于内存库的模型训练时间约 1 分钟；重建模型中 DSR 训练时间最长，约 2.5 小时。推理时间方面，模型间差异较小，都能满足工业实时检测需求。预测性能上，STFPM 的图像级 AUROC 最高，达 0.985，在区分正常和异常图像上表现出色；SimpleNet 稳定性最佳。多数模型图像级 F1 得分高于 0.9 ，平衡了精度和召回率。像素级 AUROC 方面，各模型表现良好，部分接近完美；像素级 F1 得分中，stfpm 和 DSR 表现较好，但整体低于图像级 F1 得分，表明像素级定位更具挑战性。在分割性能上，精度高的模型分割更精细，如 STFPM 在分割区域 A 时比 DFM 更精准。
- 鲁棒性：通过数据增强评估模型鲁棒性，发现不同模型表现各异。DFKDE 在增强后性能提升，而 PaDiM 等模型出现下降。多数模型在数据增强后仍能保持一定检测精度，但像素级 AUROC 和 F1 得分普遍下降，PatchCore 等部分模型在像素级表现出较好的韧性。
- 多标准决策与应用拓展：综合考虑推理时间、分类和分割精度等指标，利用 “膝盖解决方案” 进行多标准决策，Efficient_AD 和 STFPM 表现突出。在其他组件检测中，如 part16，Fastflow 和 Uflow 等部分模型表现较好，而 DRAEM 和 DSR 等对亮度变化敏感，性能较差。
研究结论和讨论部分指出，该研究全面比较了多种无监督深度学习模型在钣金胶线异常检测中的应用，弥补了以往研究多依赖基准数据集、忽视真实工业环境差异的不足。研究引入的多标准决策方法，为模型选择提供了有效依据。Efficient_AD、STFPM 等模型在检测精度、效率和鲁棒性上表现优异，能显著降低误报率，提升自动化检测系统可靠性，减少不必要维护和停机时间，提高胶线系统整体设备效率（OEE）。同时，数据增强技术有效解决了工业中缺陷数据集有限的问题，提升了模型泛化能力。然而，研究也存在局限性，如数据集为单通道，数据合成方法存在不确定性，部分模型未评估等。后续研究可在多通道数据应用、更广泛模型评估等方面展开。总体而言，这项研究为工业图像异常检测提供了重要参考，推动了汽车制造等相关行业的质量控制技术发展 。
