自动排版给产线视觉质检准备的一组算法与训练部署工具：只喂正常品图片，让模型学会“不正常长什么样”，并标出异常位置
项目介绍
Intel 开源生态下的异常检测库，主打视觉异常检测与定位，强调可直接用现成算法做基准与部署，而不是从头搭训练代码；当前版本 v2.7.0，新增了少样本与检索类方法
主要应用领域
外观件划伤、缺件、污渍的自动挑拣；替掉靠人盯屏的终检工位；缺陷样本很少时先做可行性试验
关键技术
基于 PyTorch/Lightning 的算法库，含训练、评估与部署流程，可导出到 OpenVINO 在边缘设备推理；需要相机图像与数据集接入
实用价值
与“先集齐各类缺陷再训练分类器”不同，异常检测只需要正常品样本，正适合缺陷类型说不全、样本稀少的产线；先小样本验证再扩线的成本也比整套视觉项目低
局限
强依赖成像条件，光源与工装一换效果就可能垮；误报与漏报的平衡要按产线节拍调；良品判定口径仍由人定；本轮未运行
开源协议
Apache-2.0
Apache-2.0；预训练权重与数据集可能另有条款，产线使用前需按具体模型页核对
协议解读供选型参考，不构成法律意见。
推荐理由
值得作为预研候选。已有稳定成像工位且缺陷样本少的工厂适合；缺陷类型固定且已积累大量标注时，监督式分类往往更划算
观测
Star6384；观测时间：2026-11-10T04:53:00Z
暂无可比增长基线
开源代码
专业社区口碑
未找到可靠口碑
本轮未取得工厂实际使用反馈，只读官方文档
学术基准上的成绩不能直接换算成车间误报率；缺少现场样本就无法评估
类似项目推荐
模型知识参考，未在线核验；名称、维护状态和许可证需另行核实。