LINX DAYS 2021年补充。

在将于11月25日和26日在线举行的LINX DAYS 2021上，我们的案例研究将以 "超越基于规则的!使用异常检测抑制过度检测"。

说实话，山猫已经做了相当多的改变......

显然，他们想用 "基于规则 "一词作为 "深度学习 "的同义词。

在我们公司，"基于规则 "是一种使用图像处理来定义缺陷的方法。它的同义词是'良好的比较'，这种方法认为如果它与良好的产品相同就可以。

当前研究的目的是表明，与使用传统方法（VariationModel）的 "好产品比较 "相比，使用深度学习的异常检测的 "好产品比较 "可以更灵活地处理好产品变化，因此可以大大减少过度检测。

基于规则 "是一种只检测确定的缺陷的方法，所以过度检测本身就不太可能发生，而 "良好的比较 "是 "只有在与良好的产品相同时才行"，即很难容忍良好产品的变化，所以过度检测更有可能发生。控制这种情况的能力是一个主要优势。

从用户那里收到了数以千计的好产品图像，他们在现有的'好产品比较'系统中引入了该系统并进行了评估。在一个案例中，系统学习了7000多张好产品的图像，结果好产品率达到99.3%，要检测的NG样品检测率达到100%。99.8%的NG样品被判定为正确，因为其中很多样品实际上检测到了异物。另一方面，在另一个案例中，发现了一种现象，即变化较大的区域的细小缺陷无法被检测出来，所以该系统的有效性只能通过试用来确定。

如果你有很多好的图片，它可以很容易地被评估，请与我们联系。