工业缺陷检测无监督深度学习方法综述

doi:10.11772/j.issn.1001-9081.2024050736

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (5): 1658-1670.DOI: 10.11772/j.issn.1001-9081.2024050736

• 多媒体计算与计算机仿真 • 上一篇

工业缺陷检测无监督深度学习方法综述

王文鹏, 秦寅畅, 师文轩()

南开大学软件学院，天津 300350

收稿日期:2024-06-05 修回日期:2024-08-26 接受日期:2024-08-28 发布日期:2024-09-04 出版日期:2025-05-10
通讯作者: 师文轩
作者简介:王文鹏（2001—），男，山东德州人，硕士研究生，CCF会员，主要研究方向：大数据分析与应用
秦寅畅（2000—），男，湖南长沙人，硕士研究生，CCF会员，主要研究方向：大数据分析与应用
师文轩（1977—），男，河北廊坊人，副教授，博士，CCF会员，主要研究方向：机器学习、区块链。

Review of unsupervised deep learning methods for industrial defect detection

Wenpeng WANG, Yinchang QIN, Wenxuan SHI()

College of Software，Nankai University，Tianjin 300350，China

Received:2024-06-05 Revised:2024-08-26 Accepted:2024-08-28 Online:2024-09-04 Published:2025-05-10
Contact: Wenxuan SHI
About author:WANG Wenpeng， born in 2001， M.S. candidate. His research interests include big data analysis and applications.
QIN Yinchang， born in 2000， M.S. candidate. His research interests include big data analysis and applications.
SHI Wenxuan， born in 1977， Ph.D.， associate professor. His research interests include machine learning， blockchain.

摘要/Abstract

摘要：

工业缺陷检测在保障产品质量、提高企业竞争力方面具有极其重要的作用。传统的缺陷检测方法依赖人工检查，成本高且效率低下，难以满足大规模的质量检验需求。近年来，基于视觉的工业缺陷检测技术取得了显著进步，已成为产品外观质量检验的一种高效解决方案。但在许多实际工业场景中，获取大量带有标签的数据非常困难，且对产品检测的人工成本和实时性均有所要求，因此，无监督学习逐渐成为研究的热点。针对该领域任务构建、现行技术、评估标准以及不同方法之间的共性和差异，对相关工作进行综述。首先，明确工业缺陷问题的定义，并从数据难点和任务挑战等多个角度分析该问题的难点；其次，重点介绍基于无监督深度学习的工业缺陷检测主流方法，并对它们进行详细的归纳与分析；再次，介绍常用的公开数据集与评价指标；最后，对工业缺陷检测领域将来的工作进行展望。

关键词: 缺陷检测, 异常检测, 工业视觉, 深度学习, 无监督学习

Abstract:

Industrial defect detection plays a crucial role in ensuring product quality and enhancing enterprise competitiveness. Traditional defect detection methods rely on manual inspection， which is costly and inefficient， making it difficult to meet large-scale quality inspection requirements. In recent years， vision-based industrial defect detection technologies have made significant progress and become an efficient solution for product appearance quality inspection. However， in many practical industrial scenarios， it is challenging to obtain large amounts of labeled data， and there are requirements for both the labor cost and real-time performance of product detection， making unsupervised learning become a research hotspot. Related work on task construction， current technologies， evaluation standards， and the commonalities and differences among various methods in this field were reviewed. Firstly， the definition of industrial defect problems was clarified， and the difficulties of the problem were analyzed from perspectives of data challenges and task difficulties. Secondly， unsupervised deep learning-based methods for industrial defect detection were comprehensively introduced and systematically categorized. Furthermore， commonly used public datasets and evaluation metrics were summarized. Finally， future work in industrial defect detection was discussed.

Key words: defect detection, anomaly detection, industrial vision, deep learning, unsupervised learning

中图分类号:

TP391.41

王文鹏, 秦寅畅, 师文轩. 工业缺陷检测无监督深度学习方法综述[J]. 计算机应用, 2025, 45(5): 1658-1670.

Wenpeng WANG, Yinchang QIN, Wenxuan SHI. Review of unsupervised deep learning methods for industrial defect detection[J]. Journal of Computer Applications, 2025, 45(5): 1658-1670.

图/表 15

参考文献 145

1	罗东亮，蔡雨萱，杨子豪，等.工业缺陷检测深度学习方法综述［J］.中国科学：信息科学，2022，52（6）：1002-1039.
	LUO D L， CAI Y X， YANG Z H， et al. Survey on industrial defect detection with deep learning［J］. SCIENTIA SINICA Informationis， 2022， 52（6）： 1002-1039.
2	PANG G， SHEN C， CAO L， et al. Deep learning for anomaly detection： a review［J］. ACM Computing Survey， 2022， 54（2）： No.38.
3	COOK A A， MISIRLI G， FAN Z. Anomaly detection for IoT time-series data： a survey［J］. IEEE Internet of Things Journal， 2020， 7（7）： 6481-6494.
4	CHANDOLA V， BANERJEE A， KUMAR V. Anomaly detection： a survey［J］. ACM Computing Surveys， 2009， 41（3）： No.15.
5	BULUSU S， KAILKHURA B， LI B， et al. Anomalous instance detection in deep learning： a survey［J］. IEEE Access， 2020， 8： 132330-132347.
6	ZHOU B， KHOSLA A， LAPEDRIZA A， et al. Learning deep features for discriminative localization［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 2921-2929.
7	周东华，魏慕恒，司小胜.工业过程异常检测、寿命预测与维修决策的研究进展［J］.自动化学报，2013，39（6）：711-722.
	ZHOU D H， WEI M H， SI X S. A survey on anomaly detection， life prediction and maintenance decision for industrial processes［J］. Acta Automatica Sinica， 2013， 39（6）： 711-722.
8	CZIMMERMANN T， CIUTI G， MILAZZO M， et al. Visual-based defect detection and classification approaches for industrial applications — a survey［J］. Sensors， 2020， 20（5）： No.1459.
9	CHETVERIKOV D， HANBURY A. Finding defects in texture using regularity and local orientation［J］. Pattern Recognition， 2002， 35（10）： 2165-2180.
10	DENG Y S， LUO A C， DAI M J. Building an automatic defect verification system using deep neural network for PCB defect classification［C］// Proceedings of the 4th International Conference on Frontiers of Signal Processing. Piscataway： IEEE， 2018： 145-149.
11	SCHÖLKOPF B， WILLIAMSON R C， SMOLA A， et al. Support vector method for novelty detection［C］// Proceedings of the 13th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 1999： 582-588.
12	LIU Z， ZHOU Y， XU Y， et al. SimpleNet： a simple network for image anomaly detection and localization［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 20402-20411.
13	ZHAO Q， WANG Y， LIN Y， et al. Mixed noise-guided mutual constraint framework for unsupervised anomaly detection in smart industries［J］. Computer Communications， 2024， 216： 45-53.
14	KIMURA D， CHAUDHURY S， NARITA M， et al. Adversarial discriminative attention for robust anomaly detection［C］// Proceedings of the 2020 IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2020： 2161-2170.
15	CHALAPATHY R， CHAWLA S. Deep learning for anomaly detection： a survey［EB/OL］. ［2024-04-25］. .
16	陶显，侯伟，徐德.基于深度学习的表面缺陷检测方法综述［J］.自动化学报，2021，47（5）：1017-1034.
	TAO X， HOU W， XU D. A survey of surface defect detection methods based on deep learning［J］. Acta Automatica Sinica， 2021， 47（5）： 1017-1034.
17	EHRET T， DAVY A， MOREL J M， et al. Image anomalies： a review and synthesis of detection methods［J］. Journal of Mathematical Imaging and Vision， 2019， 61（5）： 710-743.
18	YANG J， XU R， QI Z， et al. Visual anomaly detection for images： a systematic survey［J］. Procedia Computer Science， 2022， 199： 471-478.
19	RUFF L， KAUFFMANN J R， VANDERMEULEN R A， et al. A unifying review of deep and shallow anomaly detection［J］. Proceedings of the IEEE， 2021， 109（5）： 756-795.
20	MOHAMMADI B， FATHY M， SABOKROU M. Image/video deep anomaly detection： a survey［EB/OL］. ［2024-02-15］. .
21	SABERIRONAGHI A， REN J， EL-GINDY M. Defect detection methods for industrial products using deep learning techniques： a review［J］. Algorithms， 2023， 16（2）： No.95.
22	CUI Y， LIU Z， LIAN S. A survey on unsupervised anomaly detection algorithms for industrial images［J］. IEEE Access， 2023， 11： 55297-55315.
23	DUTTA P， NAYAK R， PATI U C. Exploring deep learning-based unsupervised image anomaly detection and localization methods for industrial quality assurance［C］// Proceedings of the 1st International Conference on Cognitive， Green and Ubiquitous Computing. Piscataway： IEEE， 2024： 1-6.
24	HINTON G E， ZEMEL R S. Autoencoders， minimum description length and Helmholtz free energy［C］// Proceedings of the 7th International Conference on Neural Information Processing Systems. San Francisco： Morgan Kaufmann Publishers Inc.， 1993： 3-10.
25	KINGMA D P， WELLING M. Auto-encoding variational Bayes ［EB/OL］. ［2024-02-05］. .
26	GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems — Volume 2. Cambridge： MIT Press， 2014， 27：2672-2680.
27	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
28	KANG G， GAO S， YU L， et al. Deep architecture for high-speed railway insulator surface defect detection： denoising autoencoder with multitask learning［J］. IEEE Transactions on Instrumentation and Measurement， 2019， 68（8）： 2679-2690.
29	YOUKACHEN S， RUCHANURUCKS M， PHATRAPOMNANT T， et al. Defect segmentation of hot-rolled steel strip surface by using convolutional auto-encoder and conventional image processing［C］// Proceedings of the 10th International Conference on Information and Communication Technology for Embedded Systems. Piscataway： IEEE， 2019： 1-5.
30	MEI S， WANG Y， WEN G. Automatic fabric defect detection with a multi-scale convolutional denoising autoencoder network model［J］. Sensors， 2018， 18（4）： No.1064.
31	YANG H， CHEN Y， SONG K， et al. Multiscale feature-clustering-based fully convolutional autoencoder for fast accurate visual inspection of texture surface defects［J］. IEEE Transactions on Automation Science and Engineering， 2019， 16（3）： 1450-1467.
32	YANG J， SHI Y， QI Z. DFR： deep feature reconstruction for unsupervised anomaly segmentation［EB/OL］. ［2024-01-22］. .
33	GONG D， LIU L， LE V， et al. Memorizing normality to detect anomaly： memory-augmented deep autoencoder for unsupervised anomaly detection［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 1705-1714.
34	YANG Y， XIANG S， ZHANG R. Improving unsupervised anomaly localization by applying multi-scale memories to autoencoders［EB/OL］. ［2023-12-26］. .
35	PARK H， NOH J， HAM B. Learning memory-guided normality for anomaly detection［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 14360-14369.
36	WANG T， XU X， SHEN F， et al. A cognitive memory-augmented network for visual anomaly detection［J］. IEEE/CAA Journal of Automatica Sinica， 2021， 8（7）： 1296-1307.
37	TAN D S， CHEN Y C， CHEN T P C， et al. TrustMAE： a noise-resilient defect classification framework using memory-augmented auto-encoders with trust regions［C］// Proceedings of the 2021 IEEE/CVF Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2021： 276-285.
38	YAO H， YU W， WANG X. A feature memory rearrangement network for visual inspection of textured surface defects toward edge intelligent manufacturing［J］. IEEE Transactions on Automation Science and Engineering， 2023， 20（4）： 2616-2635.
39	XING P， LI Z. Visual anomaly detection via partition memory bank module and error estimation［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2023， 33（8）： 3596-3607.
40	LIU W， CHANG H， MA B， et al. Diversity-measurable anomaly detection［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 12147-12156.
41	LI Z， LI N， JIANG K， et al. Superpixel masking and inpainting for self-supervised anomaly detection［C］// Proceedings of the 2020 British Machine Vision Conference. Durham： BMVA Press， 2020： No.275.
42	ZENG Y， FU J， CHAO H， et al. Learning pyramid-context encoder network for high-quality image inpainting［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 1486-1494.
43	HUANG C， XU Q， WANG Y， et al. Self-supervised masking for unsupervised anomaly detection and localization［J］. IEEE Transactions on Multimedia， 2023， 25： 4426-4438.
44	YE F， HUANG C， CAO J， et al. Attribute restoration framework for anomaly detection［J］. IEEE Transactions on Multimedia， 2022， 24： 116-127.
45	COLLIN A S， DE VLEESCHOUWER C. Improved anomaly detection by training an autoencoder with skip connections on images corrupted with stain-shaped noise［C］// Proceedings of the 25th International Conference on Pattern Recognition. Piscataway： IEEE， 2021： 7915-7922.
46	RONNEBERGER O， FISCHER P， BROX T. U-Net： convolutional networks for biomedical image segmentation［C］// Proceedings of the 2015 Medical Image Computing and Computer-Assisted Intervention，LNCS 9351. Cham： Springer， 2015： 234-241.
47	ZAVRTANIK V， KRISTAN M， SKOČAJ D. DRÆM — a discriminatively trained reconstruction embedding for surface anomaly detection［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 8330-8339.
48	SONG K， YANG H， YIN Z. Anomaly composition and decomposition network for accurate visual inspection of texture defects［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： No.5017814.
49	BAUER A， NAKAJIMA S， MÜLLER K R. Self-supervised training with autoencoders for visual anomaly detection［EB/OL］. ［2024-03-16］. .
50	ZAVRTANIK V， KRISTAN M， SKOČAJ D. DSR — a dual subspace re-projection network for surface anomaly detection［C］// Proceedings of the 2022 European Conference on Computer Vision， LNCS 13691. Cham： Springer， 2022： 539-554.
51	XING P， SUN Y， LI Z. Self-supervised guided segmentation framework for unsupervised anomaly detection［EB/OL］. ［2023-11-09］. .
52	MOUSAKHAN A， BROX T， TAYYUB J. Anomaly detection with conditioned denoising diffusion models［EB/OL］. ［2023-10-16］. .
53	CHUNG H， PARK J， KEUM J， et al. Unsupervised anomaly detection using style distillation［J］. IEEE Access， 2020， 8： 221494-221502.
54	DEHAENE D， FRIGO O， COMBREXELLE S， et al. Iterative energy-based projection on a normal data manifold for anomaly localization［EB/OL］. ［2024-01-03］. .
55	ABATI D， PORRELLO A， CALDERARA S， et al. Latent space autoregression for novelty detection［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019：481-490.
56	XIE X， LI X， WANG B， et al. Unsupervised abnormal detection using VAE with memory［J］. Soft Computing， 2022， 26（13）： 6219-6231.
57	LIU W， LI R， ZHENG M， et al. Towards visually explaining variational autoencoders［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 8639-8648.
58	SELVARAJU R R， COGSWELL M， DAS A， et al. Grad-CAM： visual explanations from deep networks via gradient-based localization［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 618-626.
59	ZHOU Q， MEI J， ZHANG Q， et al. Semi-supervised fabric defect detection based on image reconstruction and density estimation［J］. Textile Research Journal， 2021， 91（9/10）： 962-972.
60	SCHLEGL T， SEEBÖCK P， WALDSTEIN S M， et al. Unsupervised anomaly detection with generative adversarial networks to guide marker discovery［C］// Proceedings of the 2017 International Conference on Information Processing in Medical Imaging， LNCS 10265. Cham： Springer， 2017： 146-157.
61	MURASE H， FUKUMIZU K. ALGAN： anomaly detection by generating pseudo anomalous data via latent variables［J］. IEEE Access， 2022， 10： 44259-44270.
62	ZENATI H， FOO C S， LECOUAT B， et al. Efficient GAN-based anomaly detection［EB/OL］. ［2024-02-20］. .
63	SABOKROU M， KHALOOEI M， FATHY M， et al. Adversarially learned one-class classifier for novelty detection［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 3379-3388.
64	SCHLEGL T， SEEBÖCK P， WALDSTEIN S M， et al. f-AnoGAN： fast unsupervised anomaly detection with generative adversarial networks［J］. Medical Image Analysis， 2019， 54： 30-44.
65	BAUR C， WIESTLER B， ALBARQOUNI S， et al. Deep autoencoding models for unsupervised anomaly segmentation in brain MR images［C］// Proceedings of the 2018 International MICCAI Brainlesion Workshop， LNCS 11383. Cham： Springer， 2019： 161-169.
66	AKÇAY S， ATAPOUR-ABARGHOUEI A， BRECKON T P. Skip-GANomaly： skip connected and adversarially trained encoder-decoder anomaly detection［C］// Proceedings of the 2019 International Joint Conference on Neural Networks. Piscataway： IEEE， 2019： 1-8.
67	ZAHEER M Z， LEE J H， MAHMOOD A， et al. Stabilizing adversarially learned one-class novelty detection using pseudo anomalies［J］. IEEE Transactions on Image Processing， 2022， 31： 5963-5975.
68	LIANG Y， ZHANG J， ZHAO S， et al. Omni-frequency channel-selection representations for unsupervised anomaly detection［J］. IEEE Transactions on Image Processing， 2023， 32： 4327-4340.
69	BERTHELOT D， SCHUMM T， METZ L. BEGAN： boundary equilibrium generative adversarial networks［EB/OL］. ［2023-10-10］. .
70	TANG T W， KUO W H， LAN J H， et al. Anomaly detection neural network with dual auto-encoders GAN and its industrial inspection applications［J］. Sensors， 2020， 20（12）： No.3336.
71	YANG H， ZHOU Q， SONG K， et al. An anomaly feature-editing-based adversarial network for texture defect visual inspection［J］. IEEE Transactions on Industrial Informatics， 2021， 17（3）： 2220-2230.
72	AKÇAY S， ATAPOUR-ABARGHOUEI A， BRECKON T P. GANomaly： semi-supervised anomaly detection via adversarial training［C］// Proceedings of the 2018 Computer Vision-ACCV 2018： 14th Asian Conference on Computer Vision， LNCS 11363. Cham： Springer， 2019： 622-637.
73	KOMOTO K， AIZAWA H， KATO K. Consistency ensured bi‑directional GAN for anomaly detection［C］// Proceedings of the 2020 International Workshop on Frontiers of Computer Vision， CCIS 1212. Singapore： Springer， 2020： 236-247.
74	ZHOU K， XIAO Y， YANG J， et al. Encoding structure-texture relation with P-Net for anomaly detection in retinal images［C］// Proceedings of the 2020 European Conference on Computer Vision， LNCS 12365. Cham： Springer， 2020： 360-377.
75	HONG E， CHOE Y. Latent feature decentralization loss for one-class anomaly detection［J］. IEEE Access， 2020， 8： 165658-165669.
76	VENKATARAMANAN S， PENG K C， SINGH R V， et al. Attention guided anomaly localization in images［C］// Proceedings of the 2020 European Conference on Computer Vision， LNCS 12362. Cham： Springer， 2020： 485-503.
77	PIDHORSKYI S， ALMOHSEN R， ADJEROH D A， et al. Generative probabilistic novelty detection with adversarial autoencoders［C］// Proceedings of the 32nd International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2018： 6823-6834.
78	PERERA P， NALLAPATI R， XIANG B. OCGAN： one-class novelty detection using GANs with constrained latent representations［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 2893-2901.
79	HOU J， ZHANG Y， ZHONG Q， et al. Divide-and-assemble： learning block-wise memory for unsupervised anomaly detection［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 8771-8780.
80	SALEHI M， EFTEKHAR A， SADJADI N， et al. Puzzle-AE： novelty detection in images through solving puzzles［EB/OL］. ［2023-10-19］. .
81	YAN X， ZHANG H， XU X， et al. Learning semantic context from normal samples for unsupervised anomaly detection［C］// Proceedings of the 35th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2021： 3110-3118.
82	PIRNAY J， CHAI K. Inpainting Transformer for anomaly detection［C］// Proceedings of the 2022 International Conference on Image Analysis and Processing， LNCS 13232. Cham： Springer， 2022： 394-406.
83	DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16x16 words： Transformers for image recognition at scale［EB/OL］. ［2024-03-01］. .
84	MISHRA P， VERK R， FORNASIER D， et al. VT-ADL： a vision transformer network for image anomaly detection and localization［C］// Proceedings of the IEEE 30th International Symposium on Industrial Electronics. Piscataway： IEEE， 2021： 1-6.
85	LEE Y， KANG P. AnoViT： unsupervised anomaly detection and localization with vision transformer-based encoder-decoder［J］. IEEE Access， 2022， 10： 46717-46724.
86	DE NARDIN A， MISHRA P， FORESTI G L， et al. Masked transformer for image anomaly localization［J］. International Journal of Neural Systems， 2022， 32（7）： No.2250030.
87	YOU Z， CUI L， SHEN Y， et al. A unified model for multi-class anomaly detection［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022， 35： 4571-4584.
88	JIANG J， ZHU J， BILAL M， et al. Masked Swin Transformer UNet for industrial anomaly detection［J］. IEEE Transactions on Industrial Informatics， 2023， 19（2）： 2200-2209.
89	LIU Z， LIN Y， CAO Y， et al. Swin Transformer： hierarchical vision transformer using shifted windows［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 9992-10002.
90	YAO H， LUO W， YU W. Visual anomaly detection via dual-attention transformer and discriminative flow［EB/OL］. ［2023-11-25］. .
91	ZHANG M， TIAN X. Transformer architecture based on mutual attention for image-anomaly detection［J］. Virtual Reality and Intelligent Hardware， 2023， 5（1）： 57-67.
92	XIAO S， ZHANG T， XU Z， et al. Anomaly detection of hyperspectral images based on transformer with spatial-spectral dual-window mask［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2023， 16： 1414-1426.
93	ERFANI S M， RAJASEGARAR S， KARUNASEKERA S， et al. High-dimensional and large-scale anomaly detection using a linear one-class SVM with deep learning［J］. Pattern Recognition， 2016， 58： 121-134.
94	CHALAPATHY R， MENON A K， CHAWLA S. Anomaly detection using one-class neural networks［EB/OL］. ［2023-12-01］. .
95	RUFF L， VANDERMEULEN R A， GÖRNITZ N， et al. Deep one-class classification［C］// Proceedings of the 35th International Conference on Machine Learning. New York： ACM， 2018： 4393-4402.
96	PERERA P， PATEL V M. Learning deep features for one-class classification［J］. IEEE Transactions on Image Processing， 2019， 28（11）： 5450-5463.
97	OZA P， PATEL V M. One-class convolutional neural network［J］. IEEE Signal Processing Letters， 2019， 26（2）： 277-281.
98	YI J， YOON S. Patch SVDD： patch-level SVDD for anomaly detection and segmentation［C］// Proceedings of the 2020 Asian Conference on Computer Vision， LNCS 12627. Cham： Springer， 2021： 375-390.
99	LIZNERSKI P， RUFF L， VANDERMEULEN R A， et al. Explainable deep one-class classification［EB/OL］. ［2024-01-06］. .
100	WU P， LIU J， SHEN F. A deep one-class neural network for anomalous event detection in complex scenes［J］. IEEE Transactions on Neural Networks and Learning Systems， 2020， 31（7）： 2609-2622.
101	GOLAN I， EL-YANIV R. Deep anomaly detection using geometric transformations［C］// Proceedings of the 32nd International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2018：9781-9791.
102	GIDARIS S， SINGH P， KOMODAKIS N. Unsupervised representation learning by predicting image rotations［EB/OL］. ［2024-02-08］. .
103	BERGMAN L， HOSHEN Y. Classification-based anomaly detection for general data［EB/OL］. ［2024-01-18］. .
104	POURREZA M， MOHAMMADI B， KHAKI M， et al. G2D： generate to detect anomaly［C］// Proceedings of the 2021 IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2021： 2002-2011.
105	LI C L， SOHN K， YOON J， et al. CutPaste： self-supervised learning for anomaly detection and localization［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 9659-9669.
106	NAPOLETANO P， PICCOLI F， SCHETTINI R. Anomaly detection in nanofibrous materials by CNN-based self-similarity［J］. Sensors， 2018， 18（1）： No.209.
107	COHEN N， HOSHEN Y. Sub-image anomaly detection with deep pyramid correspondences［EB/OL］. ［2023-11-12］. .
108	TSAI C C， WU T H， LAI S H. Multi-scale patch-based representation learning for image anomaly detection and segmentation［C］// Proceedings of the 2022 IEEE/CVF Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2022： 3065-3073.
109	LEE S， LEE S， SONG B C. CFA： coupled-hypersphere-based feature adaptation for target-oriented anomaly localization［J］. IEEE Access， 2022， 10： 78446-78454.
110	RIPPEL O， MERTENS P， MERHOF D. Modeling the distribution of normal data in pre-trained deep features for anomaly detection［C］// Proceedings of the 25th International Conference on Pattern Recognition. Piscataway： IEEE， 2021： 6726-6733.
111	DENG J， DONG W， SOCHER R， et al. ImageNet： a large-scale hierarchical image database［C］// Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami， FL， USA： IEEE， 2009： 248-255.
112	DEFARD T， SETKOV A， LOESCH A， et al. PaDiM： a patch distribution modeling framework for anomaly detection and localization［C］// Proceedings of the 2021 International Conference on Pattern Recognition， LNCS 12664. Cham： Springer， 2021： 475-489.
113	ROTH K， PEMULA L， ZEPEDA J， et al. Towards total recall in industrial anomaly detection［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 14298-14308.
114	LIU J， WU K， NIE Q， et al. Unsupervised continual anomaly detection with contrastively-learned prompt［C］// Proceedings of the 38th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2024： 3639-3647.
115	BAE J， LEE J H， KIM S. PNI： industrial anomaly detection using position and neighborhood information［C］// Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2023： 6350-6360.
116	REZENDE D， MOHAMED S. Variational inference with normalizing flows［C］// Proceedings of the 32nd International Conference on Machine Learning. New York： ACM， 2015： 1530-1538.
117	RUDOLPH M， WANDT B， ROSENHAHN B. Same same but DifferNet： semi-supervised defect detection with normalizing flows［C］// Proceedings of the 2021 IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2021： 1906-1915.
118	RUDOLPH M， WEHRBEIN T， ROSENHAHN B， et al. Fully convolutional cross-scale-flows for image-based defect detection［C］// Proceedings of the 2022 IEEE/CVF Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2022： 1829-1838.
119	WANG S， LI Y， LUO H， et al. CL-flow： strengthening the normalizing flows by contrastive learning for better anomaly detection［C］// Proceedings of the SPIE 13180， 2024 International Conference on Image， Signal Processing， and Pattern Recognition. Bellingham： SPIE， 2024： No.1318060.
120	ZHOU Y， XU X， SONG J， et al. MSFlow： multiscale flow-based framework for unsupervised anomaly detection［J］. IEEE Transactions on Neural Networks and Learning Systems， 2025， 36（2）： 2437-2450.
121	BERGMANN P， FAUSER M， SATTLEGGER D， et al. Uninformed students： student-teacher anomaly detection with discriminative latent embeddings［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 4182-4191.
122	XIAO Q， WANG J， LIN Y， et al. Unsupervised anomaly detection with distillated teacher-student network ensemble［J］. Entropy， 2021， 23（2）： No.201.
123	SALEHI M， SADJADI N， BASELIZADEH S， et al. Multiresolution knowledge distillation for anomaly detection［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 14897-14907.
124	WANG G， HAN S， DING E， et al. Student-teacher feature pyramid matching for anomaly detection［C］// Proceedings of the 2021 British Machine Vision Conference. Durham： BMVA Press， 2021： No.1273.
125	ZHANG X， LI S， LI X， et al. DeSTSeg： segmentation guided denoising student-teacher for anomaly detection［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 3914-3923.
126	RUDOLPH M， WEHRBEIN T， ROSENHAHN B， et al. Asymmetric student-teacher networks for industrial anomaly detection［C］// Proceedings of the 2023 IEEE/CVF Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2023： 2591-2601.
127	DENG H， LI X. Anomaly detection via reverse distillation from one-class embedding［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 9727-9736.
128	TIEN T D， NGUYEN A T， TRAN N H， et al. Revisiting reverse distillation for anomaly detection［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 24511-24520.
129	BERGMANN P， BATZNER K， FAUSER M， et al. Beyond dents and scratches： logical constraints in unsupervised anomaly detection and localization［J］. International Journal of Computer Vision， 2022， 130（4）： 947-969.
130	YOU Z， YANG K， LUO W， et al. ADTR： anomaly detection transformer with feature reconstruction［C］// Proceedings of the 2022 International Conference on Neural Information Processing， LNCS 13625. Cham： Springer， 2023： 298-310.
131	GU Z， ZHU B， ZHU G， et al. AnomalyGPT： detecting industrial anomalies using large vision-language models［C］// Proceedings of the 38th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2024： 1932-1940.
132	BERGMANN P， BATZNER K， FAUSER M， et al. The MVTec anomaly detection dataset： a comprehensive real-world dataset for unsupervised anomaly detection［J］. International Journal of Computer Vision， 2021， 129（4）： 1038-1059.
133	TABERNIK D， ŠELA S， SKVARČ J， et al. Segmentation-based deep-learning approach for surface-defect detection［J］. Journal of Intelligent Manufacturing， 2020， 31（3）： 759-776.
134	CARRERA D， MANGANINI F， BORACCHI G， et al. Defect detection in SEM images of nanofibrous materials［J］. IEEE Transactions on Industrial Informatics， 2017， 13（2）： 551-561.
135	TSANG C S C， NGAN H Y T， PANG G K H. Fabric inspection based on the Elo rating method［J］. Pattern Recognition， 2016， 51： 378-394.
136	BERGMANN P， LÖWE S， FAUSER M， et al. Improving unsupervised defect segmentation by applying structural similarity to autoencoders［C］// Proceedings of the 14th International Joint Conference on Computer Vision， Imaging and Computer Graphics Theory and Applications — Volume 5： VISAPP. Setúbal： SciTePress， 2019： 372-380.
137	GAN J， LI Q， WANG J， et al. A hierarchical extractor-based visual rail surface inspection system［J］. IEEE Sensors Journal， 2017， 17（23）， 7935-7944.
138	HUANG Y， QIU C， YUAN K. Surface defect saliency of magnetic tile［J］. The Visual Computer， 2020， 36（1）： 85-96.
139	SILVESTRE-BLANES J， ALBERO-ALBERO T， MIRALLES I， et al. A public fabric database for defect detection methods and results［J］. AUTEX Research Journal， 2019， 19（4）： 363-374.
140	BOŽIČ J， TABERNIK D， SKOČAJ D. Mixed supervision for surface-defect detection： from weakly to fully supervised learning［J］. Computers in Industry， 2021， 129： No.103459.
141	ZOU Y， JEONG J， PEMULA L， et al. SPot-the-Difference self-supervised pre-training for anomaly detection and segmentation［C］// Proceedings of the 2022 European Conference on Computer Vision， LNCS 13690. Cham： Springer， 2022： 392-408.
142	BATZNER K， HECKLER L， KÖNIG R. EfficientAD： accurate visual anomaly detection at millisecond-level latencies［C］// Proceedings of the 2024 IEEE/CVF Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2024： 127-137.
143	LI H， HU J， LI B， et al. Target before shooting： accurate anomaly detection and localization under one millisecond via cascade patch retrieval［J］. IEEE Transactions on Image Processing， 2024， 33： 5506-5621.
144	CAO Y， XU X， LIU Z， et al. Collaborative discrepancy optimization for reliable image anomaly localization［J］. IEEE Transactions on Industrial Informatics， 2023， 19（11）： 10674-10683.
145	GUDOVSKIY D， ISHIZAKA S， KOZUKA K. CFLOW-AD： real-time unsupervised anomaly detection with localization via conditional normalizing flows［C］// Proceedings of the 2022 IEEE/CVF Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2022： 1819-1828.

级别	类别	方法
像素	基于AE的方法	多尺度，特征聚类，记忆库，自监督，多解码器
	基于VAE的方法	限制潜在空间，注意力机制，高斯混合模型，多解码器
	基于GAN的方法	结合AE/VAE
	基于Transformer的方法	Vision Transformer
特征	深度一类分类	构造分类面
	孪生网络架构	映射到特定特征空间比较
	深度统计模型	多变量高斯分布建模
	流模型	正则化流
	教师-学生架构	知识蒸馏，反向蒸馏

级别	类别	方法
像素	基于AE的方法	多尺度，特征聚类，记忆库，自监督，多解码器
	基于VAE的方法	限制潜在空间，注意力机制，高斯混合模型，多解码器
	基于GAN的方法	结合AE/VAE
	基于Transformer的方法	Vision Transformer
特征	深度一类分类	构造分类面
	孪生网络架构	映射到特定特征空间比较
	深度统计模型	多变量高斯分布建模
	流模型	正则化流
	教师-学生架构	知识蒸馏，反向蒸馏

级别	类别	优点	局限性
像素	基于AE的方法	实现简单直观	输出模糊，可能重建异常
	基于VAE的方法	可以构建更好的潜在空间	重建的图像通常是模糊的
	基于GAN的方法	GAN很好地增强了图像重建的能力	训练成本高，生成器可能会不稳定，从而导致图像中正常区域的生成效果较差
	基于Transformer的方法	捕获图像中的长期依赖关系，有助于理解内容	需要大量的数据进行训练，并且计算成本很高，尤其是在大图像的情况下
特征	深度一类分类	清晰地划分正常和异常样本之间的界限	当异常检测任务之间的相似性高时，性能一般
	孪生网络架构	充分利用预训练模型的能力	训练成本高
	深度统计模型	对正常样本特征的概率分布进行建模，避免了建立大型正态样本数据库	对模型结构和超参数的选择敏感
	流模型	较强的泛化能力和可解释性	对复杂缺陷的检测能力较差，缺乏专业的工业缺陷流模型
	教师-学生架构	充分利用预先训练好的模型，具有很强的灵活性和适应性	过于依赖于预训练模型，并存在诸如过度泛化和正常遗忘等问题

级别	类别	优点	局限性
像素	基于AE的方法	实现简单直观	输出模糊，可能重建异常
	基于VAE的方法	可以构建更好的潜在空间	重建的图像通常是模糊的
	基于GAN的方法	GAN很好地增强了图像重建的能力	训练成本高，生成器可能会不稳定，从而导致图像中正常区域的生成效果较差
	基于Transformer的方法	捕获图像中的长期依赖关系，有助于理解内容	需要大量的数据进行训练，并且计算成本很高，尤其是在大图像的情况下
特征	深度一类分类	清晰地划分正常和异常样本之间的界限	当异常检测任务之间的相似性高时，性能一般
	孪生网络架构	充分利用预训练模型的能力	训练成本高
	深度统计模型	对正常样本特征的概率分布进行建模，避免了建立大型正态样本数据库	对模型结构和超参数的选择敏感
	流模型	较强的泛化能力和可解释性	对复杂缺陷的检测能力较差，缺乏专业的工业缺陷流模型
	教师-学生架构	充分利用预先训练好的模型，具有很强的灵活性和适应性	过于依赖于预训练模型，并存在诸如过度泛化和正常遗忘等问题

名称	网址	简介
NanoTWICE^［134］	http：//www.mi.imati.cnr.it/ettore/NanoTWICE	45张图像，非周期性连续纹理，缺陷大小不一
MVTec AD^［132］	https：//www.mvtec.com/company/research/datasets/ mvtec-ad	15个类别，每个类别约有240张正常图像和100张缺陷图像，异常样本包含各种缺陷
BTAD^［89］	http：//avires.dimi.uniud.it/papers/btad/btad.zip	2 830张图像，包括3种工业产品，展示了表面和结构缺陷
Fabric dataset^［135］	https：//ytngan.wordpress.com/codes	3种织物图像，每种各有25张无缺陷和25张有缺陷的图像， 5种缺陷类型
Textured dataset^［136］	https：//www.mvtec.com/company/research/publications	2种编织织物纹理，均为单通道灰度图像
RSDDs^［137］	https：//github.com/neu-rail-rsdds/rsdds	在真实铁路轨道上收集，包括113张二维彩色左图像与相应的深度图像
MT Defect^［138］	https：//github.com/abin24/Magnetic-tile-defect-datasets.	1 344张图像，在多种光照条件下采集，包含6种缺陷
AITEX^［139］	https：//aistudio.baidu.com/datasetdetail/90062	245张图像，7种织物结构类别，每一类包含20个无缺陷样本
KolektorSDD^［133］	https：//www.vicos.si/resources/kolektorsdd	电子换向器图像，包含348张无缺陷图像以及52张有缺陷图像
KolektorSDD2^［140］	https：//www.vicos.si/resources/kolektorsdd2	356张缺陷图像与2 979张正常图像
VisA^［141］	https：//amazon-visual-anomaly.s3.us-west-2. amazonaws.com/VisA_20220922.tar	12种对象，其中9 621张是正常样本，1 200张是异常样本
MVTec LOCO AD^［129］	https：//www.mvtec.com/company/research/datasets/ mvtec-loco	5个类别，2 076张正常样本，1 568张异常样本，包括结构异常和逻辑异常

工业缺陷检测无监督深度学习方法综述

Review of unsupervised deep learning methods for industrial defect detection

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 145

相关文章 15

编辑推荐

Metrics

模型	AUROC/%	PRO/%	FPS
EfficientAD^［142］	96.8	96.5	614.0
CPR-faster^［143］	99.0	97.3	478.0
CPR-fast^［143］	99.2	97.7	245.0
CPR^［143］	99.2	97.8	113.0
CDO^［144］	98.7	96.5	79.6
CFLOW-AD^［145］	98.6	94.6	27.0
PatchCore^［113］	98.2	93.5	5.8

[1]	王丹, 张文豪, 彭丽娟. 基于深度学习的智能反射面辅助通信系统信道估计[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1613-1618.
[2]	牛四杰, 刘昱良. 基于知识蒸馏双分支结构的视网膜病变辅助诊断方法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1410-1414.
[3]	李雪莹, 杨琨, 涂国庆, 刘树波. 基于局部增强的时序数据对抗样本生成方法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1573-1581.
[4]	安俊秀, 杨林旺, 柳源. 基于邻近性语义感知的无监督文本风格迁移[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1139-1147.
[5]	周阳, 李辉. 基于语义和细节特征双促进的遥感影像建筑物提取网络[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1310-1316.
[6]	潘理虎, 彭守信, 张睿, 薛之洋, 毛旭珍. 面向运动前景区域的视频异常检测[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1300-1309.
[7]	王一丁, 王泽浩, 李耀利, 蔡少青, 袁媛. 多尺度2D-Adaboost的中药材粉末显微图像识别算法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1325-1332.
[8]	陈瑞龙, 胡涛, 卜佑军, 伊鹏, 胡先君, 乔伟. 面向加密恶意流量检测模型的堆叠集成对抗防御方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 864-871.
[9]	薛振华, 李强, 黄超. 视觉基础模型驱动的像素级图像异常检测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 823-831.
[10]	洪梓榕, 包广清. 基于集成学习的雷达自动目标识别综述[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 371-382.
[11]	张众维, 王俊, 刘树东, 王志恒. 多尺度特征融合与加权框融合的遥感图像目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 633-639.
[12]	王地欣, 王佳昊, 李敏, 陈浩, 胡光耀, 龚宇. 面向水声通信网络的异常攻击检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 526-533.
[13]	邓淼磊, 阚雨培, 孙川川, 徐海航, 樊少珺, 周鑫. 基于深度学习的网络入侵检测系统综述[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 453-466.
[14]	余松森, 林智凡, 薛国鹏, 徐建宇. 基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 647-654.
[15]	丁丹妮, 彭博, 吴锡. 受腹侧通路启发的脂肪肝超声图像分类方法VPNet[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 662-669.