第 26 / 30 课。 前置：上一课。本篇的运行范围以实验说明和验证记录为准，构造样例不代表真实任务精度或板端性能。
缺陷种类可能没有穷尽
普通分类需要定义并收集类别，实际缺陷可能稀少且不断变化。异常检测的一种思路是先描述正常外观，再把偏离正常的区域标为可疑。可疑不等于缺陷：光照变化、位置偏移或新批次材料也可能产生高分。
PatchCore 等方法使用局部特征记忆库。本课用构造的二维 patch 特征说明最近邻距离，不实现预训练特征网络和 coreset 选择，因此不能称为完整 PatchCore 复现。
特征库来自哪里
只将训练正常样本用于建库。独立正常验证样本用于设定可接受误报下的阈值，带缺陷验证样本用于观察召回；测试样本不得回流参与选阈值。
把训练样本与自己匹配会得到零距离，这是自匹配，不是对新正常样本的泛化能力。若缺陷误混入正常库，其邻域可能不再被判为异常。
从 patch 分数到图片分数
本实验对每个 patch 计算到库中最近向量的欧氏距离，排列回 8×8 热图。图像分数可用最大值或高分区域聚合；最大值对单点噪声敏感，均值则可能淹没很小的缺陷。
代码在一块区域加入明确偏移，检查它与正常验证分布的分离。结果只来自构造特征，不代表真实产线漏检率。完整系统需保存原图坐标映射，便于定位返修。
练习与工程取舍
把异常向量加入记忆库，观察异常分数下降；把所有测试特征整体平移，观察域变化引起的误报。扩大库会增加存储与检索成本，不能只考虑编码网络的 NPU 时间。
交付正常数据来源、排除缺陷的方法、阈值依据、区域定位结果和失败样本。设备换镜头或灯光后，需要重新验证正常分布。
配套实验与运行记录
实验：工业异常检测：缺陷样本少时怎么办
查看完整代码：main.py
"""建立正常特征库与最近邻异常分数，分析阈值、空间热图和数据污染。"""
import numpy as np
def nearest(query, bank):
return np.linalg.norm(query[:, None, :] - bank[None, :, :], axis=2).min(1)
def main():
rng = np.random.default_rng(7)
bank = rng.normal(0, 0.1, (100, 2))
validation = rng.normal(0, 0.1, (200, 2))
threshold = float(np.quantile(nearest(validation, bank), 0.99))
query = rng.normal(0, 0.1, (64, 2))
query[27:30] += 2
heat = nearest(query, bank).reshape(8, 8)
assert (heat.flat[27:30] > threshold).all()
polluted = np.vstack([bank, query[27:30]])
assert np.max(nearest(query[27:30], polluted)) == 0
print(
"constructed normal validation threshold",
threshold,
"image max",
float(heat.max()),
"hot positions",
np.argwhere(heat > threshold).tolist(),
)
print("contaminated memory bank hides injected anomalies")
if __name__ == "__main__":
main()
在项目根目录执行；下载包解压后，在解压目录执行 python3 main.py。
cd 'content/posts/AI-深度学习/嵌入式视觉模型进阶/26-工业异常检测/code' && python3 main.py在本篇代码目录执行 python3 main.py。依赖安装、可选入口见包内 README.md；实际运行结果见 verification.md。下载包包含本课使用的辅助模块与样例。
参考与进一步阅读
原始论文或官方文档用于核对结构、接口和适用范围。本篇代码是围绕教学目标编写的最小实验；除明确注明的完整入口外，不视为对应论文模型的完整复现。