工业视觉异常检测：PatchCore与EfficientAD实战一、引言：工业质检的痛点与机遇在电子制造、汽车零部件、纺织品等产线上，缺陷检测一直是最耗费人力的环节。传统机器视觉依赖手工特征（边缘检测、纹理分析、模板匹配），面对以下场景时力不从心：缺陷形态不可预知：划痕、凹坑、毛刺、色差，种类繁多且持续新增正样本极度不平衡：产线上 99.9% 是良品，缺陷样本稀缺背景纹理复杂：金属拉丝、皮革纹路、织物纹理，正常方差本身就大传统做法是收集大量缺陷样本训练分类器，但在工业现场这几乎不可行。异常检测（Anomaly Detection）另辟蹊径：只学"什么是正常的"，凡是偏离正常分布的都视为异常。这一范式让工业视觉质检从"缺陷分类问题"转变为"分布偏离检测问题"，大幅降低了对标注数据的依赖。本文将深入剖析两个工业级异常检测算法——PatchCore和EfficientAD，并提供可运行的实战代码。方法核心思想推理速度适用场景PatchCore局部特征记忆库 + 最近邻中等逻辑型缺陷（缺失、错位）EfficientAD师生网络 + 自编码器蒸馏快表面纹理缺陷（划痕、污渍）二、核心原理2.1 PatchCore：局部记忆，全局感知PatchCore（2022, Roth et al.）的核心直觉非常朴素：把正常图像的所有局部特征存下来，检测时查最近邻距离。三步走架构：正常图像 → 预训练Backbone（WideResNet-50/101）→ 提取中层特征图 → 局部感知聚合（AvgPool → Neighborhood Aggregation） → Coreset 采样（贪心降采样至 1%~10%）→ 记忆库 M ↓ 测试图像 → 同样提取特征 → 对每个 patch 在 M 中找最近邻 → 距离热力图 → 分割 + 图像级异常分数关键技术点：中层特征提取：不取最后一层（太抽象，丢失空间信息），取 ResNet 的 layer2/layer3 输出，保留局部纹理和结构信息。局部感知聚合（Local Patch Aggregation）：对特征图每个位置，聚合其p × p邻域的特征，增强对局部上下文（如纹理连续性）的建模。Coreset 子采样：完整记忆库可能包含数百万个特征向量，推理太慢。用贪心算法（minimax facility location）采样，保留 1% 的点仍能保持 98%+ 的检测性能。异常评分：对测试图每个 patch 计算到记忆库最近邻的距离，得到像素级异常热力图。取 top-K 最大距离的均值作为图像级异常分数。2.2 EfficientAD：蒸馏出来的异常感知EfficientAD（2023, Batzner et al.）是目前工业异常检测领域推理最快的方案之一（单张图像 2ms 在专用硬件上）。它同时用到了两个互补的"教师-学生"蒸馏架构：双通道架构：┌─→ 教师网络 T（固定，训练好的特征提取器） 输入图像 ──┬───────┤ │ └─→ 学生网络 S（训练中模仿 T 的特征输出） │ 异常 = ||T(x) - S(x)|| │ └─→ 自编码器 AE（重建输入） 异常 = ||x - AE(x)|| 最终异常分数 = 逻辑异常分数 + 纹理异常分数两个互补的异常信号：师生网络（STPM）：教师已经见过海量正常数据，知道"正常长什么样"。当学生无法复现教师对异常区域的特征表示时，差异（||T(x) - S(x)||）就是异常信号。擅长检测逻辑结构异常（如零件缺失、位置偏移）。自编码器（AE）：AE 被训练只重建正常图像。异常区域的纹理在重建时会被"抹平"，重建误差（||x - AE(x)||）定位表面纹理异常（如划痕、油污）。混合推理：两路异常分数逐像素加权融合，覆盖更多异常类型。关键设计：教师网络用预训练的轻量模型（如轻量 WideResNet），推理不参与梯度计算学生网络结构远小于教师（防止完美模仿），强制其学习压缩表示自编码器瓶颈层极窄，确保异常纹理无法通过三、实战代码：基于 Anomalib 训练与部署Anomalib 是 Intel 开源的异常检测工具库，内置 PatchCore、EfficientAD 等多种算法。以下使用 MVTec AD 数据集（工业异常检测标准基准）进行实战。3.1 环境准备pipinstallanomalib[full]openvino3.2 PatchCore 训练与推理""" PatchCore 在 MVTec AD 上的完整训练与推理流程 数据集结构: mvtec_ad/ bottle/ train/good/ ← 仅正常样本 test/good/ test/broken_large/ test/broken_small/ test/contamination/ """importtorchfromanomalib.dataimportMVTecfromanomalib.modelsimportPatchcorefromanomalib.engineimportEnginefromanomalib.deployimportOpenVINOInferencerfrompathlibimportPath# ─── 1. 数据加载 ───# MVTec AD 数据集：15 个类别，训练集仅含正常样本datamodule=MVTec(