Html code will be here
Я даю Согласие на обработку файлов cookie в соответствии с Политикой конфиденциальности. В случае отказа от обработки cookie я проинформирован о необходимости прекратить использование Сайта или отключить файлы cookie в настройках браузера.
Обнаружение аномалий в машинном зрении
15 октября 2026
Производство редко сталкивается с одним и тем же браком. Сегодня на детали появилась царапина. Завтра на ней найдут вмятину или потёк краски. Через месяц возникнет дефект, которого раньше не видели ни разу.
Нейросеть, которую обучают распознавать конкретные виды брака, учится на снимках этих дефектов. Если появляется новый вид брака, система может его пропустить или принять за другой.
Обнаружение аномалий в машинном зрении (anomaly detection) работает иначе. Модель изучает нормальные изделия и ищет визуальные отклонения от изученной нормы, в том числе такие, которых не было в обучающей выборке.
Для обучения можно использовать только снимки годных изделий. Порог обнаружения можно настроить и без примеров брака, но для проверки способности системы выявлять реальные дефекты нужны изображения бракованной продукции.
В статье объясняем принцип метода и его отличия от классификации, детекции и сегментации. Рассказываем, какие данные нужны, какие у технологии преимущества и ограничения и для каких задач она подходит.
Нейросеть, которую обучают распознавать конкретные виды брака, учится на снимках этих дефектов. Если появляется новый вид брака, система может его пропустить или принять за другой.
Обнаружение аномалий в машинном зрении (anomaly detection) работает иначе. Модель изучает нормальные изделия и ищет визуальные отклонения от изученной нормы, в том числе такие, которых не было в обучающей выборке.
Для обучения можно использовать только снимки годных изделий. Порог обнаружения можно настроить и без примеров брака, но для проверки способности системы выявлять реальные дефекты нужны изображения бракованной продукции.
В статье объясняем принцип метода и его отличия от классификации, детекции и сегментации. Рассказываем, какие данные нужны, какие у технологии преимущества и ограничения и для каких задач она подходит.
Что такое аномалия в машинном зрении
Аномалией в машинном зрении считают любое визуальное отклонение изображения объекта от нормы.
Под это определение попадают царапина, скол, пятно, трещина, посторонний предмет и смещённая деталь. Подходит и необычный оттенок краски, который раньше не встречался.
Модель не знает названия дефекта. Она формирует представление о нормальном изделии и может отмечать участки, которые на него не похожи.
Метод особенно хорошо подходит там, где нормальный внешний вид изделия относительно стабилен, а возможных дефектов много и заранее перечислить их сложно. Это главный критерий применимости.
Так работает автоматическое обнаружение аномалий. Система сама ищет визуальные отклонения от изученной нормы и не требует заранее описывать каждый возможный вид брака. Результат зависит от того, проявляется ли отклонение на снимке при выбранных условиях съёмки.
Под это определение попадают царапина, скол, пятно, трещина, посторонний предмет и смещённая деталь. Подходит и необычный оттенок краски, который раньше не встречался.
Модель не знает названия дефекта. Она формирует представление о нормальном изделии и может отмечать участки, которые на него не похожи.
Метод особенно хорошо подходит там, где нормальный внешний вид изделия относительно стабилен, а возможных дефектов много и заранее перечислить их сложно. Это главный критерий применимости.
Так работает автоматическое обнаружение аномалий. Система сама ищет визуальные отклонения от изученной нормы и не требует заранее описывать каждый возможный вид брака. Результат зависит от того, проявляется ли отклонение на снимке при выбранных условиях съёмки.
Принцип обнаружения аномалий
Принцип обнаружения аномалий основан на сравнении нового снимка с представлением о нормальном изделии. Система оценивает, насколько изображение отличается от нормы. В зависимости от модели результатом может быть общий показатель аномальности и карта участков с отклонениями. Рассмотрим, как работает метод с локализацией дефектов.
- Собираем снимки годных изделий с реальной линии.
- Запускаем обучение модели на нормальных данных. Нейросеть формирует представление о визуальных признаках годных изделий. Это текстуры, формы, локальные структуры и другие характеристики снимка.
- Подаём на вход новое изделие. Модель сопоставляет его с представлением о нормальном изделии, сформированным на этапе обучения.
- Модель считает показатель аномальности, его называют также оценкой аномальности, для всего снимка и для каждого участка. Чем он выше, тем сильнее отклонение от нормы.
- Система строит карту аномальности. Яркие зоны показывают, где изображение отличается от нормы. Это выделение аномалии на изображении.
- Мы сравниваем показатель с порогом. Если показатель выше порога, изделие уходит в брак или на проверку человеку.
Порог настраивают на пробной партии. Низкий порог повышает число ложных срабатываний при обнаружении аномалий. Высокий порог повышает риск пропуска аномалий. Баланс зависит от цены ошибки на вашем производстве.
Заполните форму, чтобы узнать больше о внедрении
системы ML Sense
системы ML Sense
Заполните форму, чтобы узнать больше о внедрении
системы ML Sense
системы ML Sense
Какие алгоритмы используют для обнаружения аномалий
Какие алгоритмы используют для обнаружения аномалий
Среди алгоритмов обнаружения аномалий для промышленных задач можно выделить три распространённых направления. Это упрощённое деление, конкретные методы могут сочетать разные принципы. Все они относятся к нейросетевым методам обнаружения аномалий.
- РеконструкцияАвтоэнкодер сжимает изображение и восстанавливает его заново. Идея в том, что модель учится восстанавливать нормальные изображения. Если область с дефектом восстанавливается хуже, различие между исходным и восстановленным изображением можно использовать для построения карты аномальности.
- Сравнение признаковПредобученная сеть выделяет признаки участков снимка. Метод сопоставляет их с банком признаков нормальных участков. К этому направлению относится, например, PatchCore.
- Моделирование распределения признаковМетод оценивает, насколько признаки изображения соответствуют распределению, сформированному на нормальных данных. К этому направлению относятся, например, PaDiM, FastFlow и CFLOW-AD, хотя конкретные способы моделирования распределения у них различаются.
Выбор зависит от скорости линии, размера дефектов и вычислительных ресурсов. Мы подбираем методы аномального обнаружения под конкретный контроль и проверяем их на пробных снимках.
Чем обнаружение аномалий отличается от классификации, детекции и сегментации
Для классификации, детекции и сегментации в таблице приведены типичные варианты обучения с учителем. Существуют и методы, не требующие такой разметки. Для обнаружения аномалий рассмотрен вариант с обучением на снимках годных изделий.
Обнаружение аномалий и классификация решают разные задачи. Классификатор называет тип брака, но только из классов, которые видел при обучении. Метод аномалий тип не называет. Он сообщает, что изделие отличается от нормы.
Обнаружение аномалий и детекция тоже не совпадают. Детектор ищет заранее известные объекты и рисует рамки. Аномалиям список объектов не нужен. Модель ищет отклонения от изученной нормы.
Некоторые методы обнаружения аномалий также позволяют определить местоположение дефекта. Для этого система формирует карту аномальности, показывающую участки изображения с отклонениями от нормы. Карта визуально похожа на маску, но модель не обучается на заранее размеченных масках дефектов. Для точного расчёта площади или формы дефекта чаще нужна сегментация.
На практике подходы комбинируют. Метод аномалий отмечает всё подозрительное. Затем классификатор присваивает название известным дефектам. Новые виды брака копятся в архиве и со временем становятся отдельными классами. Так происходит обнаружение новых дефектов без остановки линии.
Обнаружение аномалий и детекция тоже не совпадают. Детектор ищет заранее известные объекты и рисует рамки. Аномалиям список объектов не нужен. Модель ищет отклонения от изученной нормы.
Некоторые методы обнаружения аномалий также позволяют определить местоположение дефекта. Для этого система формирует карту аномальности, показывающую участки изображения с отклонениями от нормы. Карта визуально похожа на маску, но модель не обучается на заранее размеченных масках дефектов. Для точного расчёта площади или формы дефекта чаще нужна сегментация.
На практике подходы комбинируют. Метод аномалий отмечает всё подозрительное. Затем классификатор присваивает название известным дефектам. Новые виды брака копятся в архиве и со временем становятся отдельными классами. Так происходит обнаружение новых дефектов без остановки линии.
Когда выбирать каждый метод
Выбор зависит от задачи и от данных, которые у вас есть.
- Классификация подходит, когда набор классов ограничен и стабилен, а нужно определить конкретный тип дефекта.
- Детекция подходит, когда нужно найти известный объект или дефект и определить его расположение на изображении.
- Сегментация подходит, когда нужно точно определить форму, площадь или границы дефекта.
- Обнаружение аномалий подходит, когда норма стабильна, дефекты разнообразны, часть из них редкая или заранее неизвестна, а снимков годных изделий достаточно.
Заполните форму, чтобы узнать больше о внедрении
системы ML Sense
системы ML Sense
Заполните форму, чтобы узнать больше о внедрении
системы ML Sense
системы ML Sense
Какие данные нужны для обучения
Данные для обучения обнаружения аномалий часто собрать проще, чем размеченную выборку с большим количеством разных дефектов. Но требования к ним строгие. Вот главные.
- Годные изделия с реальной линииСнимки с лабораторного стола зачастую не передают условий цеха.
- Одинаковые условия съёмкиКамера, оптика, свет и расстояние должны совпадать с рабочими.
- Вся допустимая вариативностьПартии сырья, оттенки, смены и допустимые отклонения должны попасть в выборку. Иначе модель может принять их за брак.
- Чистота выборкиНезамеченный дефект в обучающих снимках может попасть в представление нормального изделия. Тогда похожие дефекты будут обнаруживаться хуже.
- Достаточный объёмОбъём выборки заранее не задают одной цифрой. Он зависит от разнообразия нормальных изделий, условий съёмки, сложности поверхности, размера дефектов и требований к качеству контроля. Для пилота обычно начинают с доступной выборки нормальных изделий, а затем оценивают, достаточно ли она покрывает вариативность нормы.
- Снимки с дефектами для проверкиОни позволяют оценить, какие виды брака система обнаруживает, какие пропускает и как часто ошибается. Для объективной оценки качества нужен отдельный проверочный набор, который не использовался при настройке модели и порога.
В исследованиях используют открытые наборы MVTec AD и более новый MVTec AD 2. Они нужны для оценки методов обнаружения и локализации аномалий. Такие наборы помогают сравнивать алгоритмы, но не заменяют данные вашей линии. Свой датасет для обнаружения аномалий мы собираем вместе с заказчиком на этапе пилота.
Преимущества обнаружения аномалий
Преимущества обнаружения аномалий заметны там, где брак редкий или разнообразный.
- Не нужны примеры брака для обучения. Модель проходит обучение без примеров дефектов. Для оценки качества системы всё равно нужны отдельные снимки с дефектами.
- Система может обнаруживать визуальные отклонения, которых не было среди примеров при обучении. Это обнаружение неизвестных дефектов. Классификатор с такой задачей чаще всего не справляется. Гарантии для любого нового дефекта метод не даёт.
- Не нужна разметка дефектов. Это экономит время инженеров и разметчиков.
- Подходит для редкого брака. Выборку с редкими дефектами собрать трудно, а годных изделий всегда много.
- Показывает место отклонения. Если метод поддерживает локализацию, оператор видит зону отклонения на снимке и получает дополнительную информацию для проверки изделия.
- Подходит для новых изделий. Не нужна большая база всех возможных дефектов. Можно начать со снимков нормальных изделий и затем проверить систему на реальном браке.
Контроль качества методом обнаружения аномалий добавляет защиту от неожиданного брака и дополняет привычные проверки.
Ограничения и проблемы метода
Метод не универсален. Вот проблемы обнаружения аномалий, о которых лучше знать до внедрения.
- Ложные срабатыванияМодель может реагировать даже на безвредные визуальные отличия от нормы. Пылинка, блик или допустимый разброс оттенка иногда получают высокий показатель. Обычно помогают стабильный свет, широкая выборка нормы и настройка порога.
- Нет названия дефектаСистема сообщает, что изделие отличается. Что именно не так, подскажет классификатор или специалист.
- Нет оценки критичностиВысокий показатель аномальности означает сильное отличие от нормы, но не говорит, насколько дефект опасен или допустим. Для этого нужны правила контроля, дополнительные модели или проверка специалиста.
- Чувствительность к условиям съёмкиСмена освещения или положения камеры зачастую сдвигает показатели.
- Нестабильная нормаУ изделий с естественным разбросом, например у дерева или кожи, граница нормы размыта. Для них нужна более тщательная выборка.
- Мелкие дефектыДля них нужна камера с подходящим разрешением и правильная оптика.
Часть практических проблем можно уменьшить за счёт сопровождения системы. Мы следим за долей ложных срабатываний, обновляем выборку и при необходимости перенастраиваем или переобучаем модель при изменениях на линии.
Заполните форму, чтобы узнать больше о внедрении
системы ML Sense
системы ML Sense
Заполните форму, чтобы узнать больше о внедрении
системы ML Sense
системы ML Sense
Для каких производственных задач подходит метод
Для каких производственных задач подходит метод
Ключевое условие применимости заключается в относительно стабильной норме при разнообразных или редких дефектах.
Вот типичные задачи.
Вот типичные задачи.
- Обнаружение дефектов поверхности металла, пластика, стекла и покрытий. Это царапины, вмятины, пятна и следы коррозии.
- Контроль поверхности машинным зрением у рулонных материалов, плёнки, ткани и металлопроката. Лента движется быстро, а виды дефектов зачастую меняются от партии к партии.
- Автоматический контроль внешнего вида готовых изделий, упаковки и этикеток.
- Контроль деталей на отклонения внешнего вида, например следов обработки, загрязнений и повреждений. Комплектность и положение элементов чаще проверяют детекцией, классификацией или сравнением с эталоном.
- Поиск нестандартных изделий на конвейере. Для известных посторонних предметов может подойти детекция. Метод аномалий полезен, когда набор возможных предметов заранее неизвестен.
- Контроль новых изделий и малых серий, где базы брака ещё нет.
Метод подходит не для всех задач. Если нужно разделять брак по видам, может понадобиться дополнительная классификация. Для измерения размеров дефекта можно использовать карту аномальности или сегментацию. Точность измерений необходимо отдельно проверять на реальных дефектах. Часто лучше работает связка двух подходов.
Примеры контроля на реальных линиях мы собрали на сайте. Посмотрите контроль качества покраски и контроль металлопроката.
Примеры контроля на реальных линиях мы собрали на сайте. Посмотрите контроль качества покраски и контроль металлопроката.
Как мы запускаем такой контроль на производстве
Обнаружение аномалий для контроля качества чаще всего начинают с одной линии и одного вида изделия. Мы идём по шагам.
- Разбираем задачуУточняем, какой брак критичен, какова скорость линии и в каких условиях идёт съёмка.
- Подбираем камеры, оптику и подсветку.
- Собираем снимки годных изделий и небольшой набор брака для проверки.
- Обучаем модель и настраиваем порог на пробной партии.
- Запускаем пилот на линииСчитаем долю пропусков и ложных срабатываний.
- Подключаем систему к ПЛК, MES и другим системам предприятия.
- Сопровождаем системуОбновляем выборку и при необходимости перенастраиваем или переобучаем модель, когда меняются сырьё, свет или оборудование.
Почему заказчики выбирают ML Sense
Мы развиваем ML Sense, платформу для контроля качества продукции на основе машинного зрения и нейросетей. Её создала компания Nord Clan. Платформа входит в реестр российского программного обеспечения.
- Опыт промышленного внедренияМы работаем с задачами контроля качества на действующих производствах.
- Внедрение в реальные процессыМы запускаем системы на действующих линиях и учитываем скорость конвейера, вибрации, пыль и свет.
- Подбор компонентов и оборудованияМы подбираем камеры, оптику, подсветку и вычислители с учётом условий съёмки, скорости линии и требований к контролю.
- Разработка систем компьютерного зренияМы проектируем решение под вашу задачу и не подгоняем задачу под готовую коробку.
- Экспертиза в ML Ops и сопровожденииМы следим за качеством модели после запуска, обновляем выборку и при необходимости перенастраиваем или переобучаем модель при изменениях на линии.
- Интеграция с корпоративной инфраструктуройУчитываем требования предприятия к безопасности, интеграции, масштабированию и срокам внедрения.
Частые вопросы
Одной цифры для всех задач нет. Объём зависит от разнообразия нормы, условий съёмки и требований к качеству контроля. Для пилота обычно начинают с доступной выборки годных изделий и оценивают, покрывает ли она вариативность нормы.
Полностью убрать их удаётся редко. Мы снижаем их стабильным светом, широкой выборкой нормы и настройкой порога.
Для обучения можно обойтись снимками годных изделий. Порог можно настроить без примеров брака. Но для проверки того, насколько хорошо система находит реальные дефекты, нужны снимки с браком.
Иногда можно. Модель оценивает отличие от нормы, а не сходство с известными дефектами. Но результат зависит от того, насколько заметно отклонение на снимке при выбранных условиях съёмки. Гарантий для любого дефекта нет, поэтому систему проверяют на реальном браке.
Детектор ищет заранее известные типы дефектов и учится на размеченных примерах. Метод аномалий учится на нормальных изделиях и отмечает отклонения от нормы, но не называет тип дефекта.
Это изображение, на котором цветом или яркостью показано, насколько каждый участок снимка отличается от нормы. Чаще всего это тепловая карта, наложенная на снимок. Она помогает увидеть область отклонения.
