异常检测：PCB零件损坏/缺失
在这个项目中 我们需要检测以下工件是否正确的组装：PCB板上是否有安装2个电容。
分析图片后，我们第一反应可能会想要使用异常检测模型：因为我们的应用是寻找PCB板上的异常、缺陷。
这里我们比较三种模型：异常检测模型、语义分割模型和目标检测模型。
提示
目标检测模型也是可以用作检测缺陷和异常的，异常部分就是目标检测模型的 "目标" 。
异常检测模型，通常用于检测物体的异常和缺陷。
v1 : 对于异常检测模型，我们第一个版本的模型没有使用任何预处理和数据加强。一共124张图像，78图像作为训练集。
测试结果如下：
异常检测模型过多的把物体表面的区域识别成缺陷，造成这个结果的原因是：PCB板的背景和其他零部件造成了不少的干预。相对于正常的工件，模型检测出很多区域，跟没有缺陷的图像有区别，所以定义该区域为缺陷。
v2 : 第二版本的模型添加了ROI预处理，把大部分的背景去除掉，只留下PCB板本体，没有数据加强。同样的124张图像，78图像作为训练集。
测试结果如下：
异常检测模型仍然把PCB板表面和电容相似的区域识别成缺陷，造成这个结果的原因是：PCB板上的轮廓和图像比较复杂。相对于正常的工件，模型检测出很多区域，跟没有缺陷的图像有区别，所以定义该区域为缺陷。
v3 : 第三版本的模型添加了ROI预处理，并且图像只扣出电容部分，没有数据加强。一共124张图像，78图像作为训练集。
训练图像如下：
测试结果如下：
v3 模型的识别效果总体来说会比前面的 v1 和 v2 好，但是还是能看到异常检测的局限性。同样是容易受到背景的影响，和PCB板上其他部件的影响。
异常检测的局限性
对于异常检测模型的应用，此模型适合于检测单个目标的表观缺陷，尽量只包含要检测的目标，避免其他目标的变化造成干扰，也会被检测为异常。并且模型会在后台将所有数据缩小到256 x 256,在原始异常缺陷比较小的情况下，进一步缩小，模型更加检测不出来。
语义分割模型，通常用于检测物体多种类别的缺陷和分割。语义模型是否能够克服异常检测模型的不足？
提示
语义分割模型是逐像素预测，意味着模型对于背景或者其他目标的干扰会比较少。
v4 : 第四版本为语义分割模型添加了调整图像大小预处理，没有数据加强。一共124张图像，86图像作为训练集。
测试结果如下：
语义分割模型很好的找出异常区域，成功克服了背景和PCB板上的干扰，达成了我们的需求。
目标检测模型，可以把异常标注为我们需要的目标，从而让模型寻找是否存在异常，并且能够统计异常的数量。
警告
使用目标检测模型来用于异常检测，通常异常的形状比较规则(方形或者像本案例：圆形)，不需要识别出分割的区域，否则还是需要使用语义分割模型。
对于此案例，目标检测模型相对于语义分割模型的优点在于：
目标相对简单，不需要识别异常的分割形状；
目标检测不是逐像素检测，可以使用更少的数据获得相似的效果。
v5 : 第四版本为目标检测模型添加了调整图像大小预处理，没有数据加强。一共22张图像，15图像作为训练集。
测试结果如下：
目标检测模型很好的找出异常区域，成功克服了背景和PCB板上的干扰，达成了我们的需求。更关键的是，只需要语义分割模型的1/5的数据，却能跟语义分割模型的效果媲美。
总结
由此可以给出结论：在不增加额外需求的前提下，这个项目应用上，目标检测是最适合这个应用的模型。但是，如果在项目持续发展的时间线下，此PCB板上将来会有新的检测需求，而且新的检测目标为不规则的分割区域：那么选择语义分割模型的话能够更好的兼容将来可能出现的需求。最后，异常检测模型在这种干扰较多的物体上，并不能获得很好的检测结果。