缺陷检测中的异常检测方法有哪些

缺陷检测中的异常检测方法多种多样，主要包括以下几种：

1. 基于分布的方法：

3sigma：基于正态分布，认为超过3个标准差的数据为异常点。

Z-score：测量数据点和平均值的距离，以判断数据点是否为异常。

boxplot（箱线图）：基于四分位距（IQR）来识别异常点。

2. 基于距离的方法：

KNN：利用K近邻算法来检测异常点。

3. 基于密度的方法：

Local Outlier Factor (LOF)：通过比较数据点的局部密度来识别异常。

Connectivity-Based Outlier Factor (COF)、Stochastic Outlier Selection (SOS)：也是基于密度的异常检测方法。

4. 基于聚类的方法：

DBSCAN：通过密度聚类来识别异常点。

5. 基于树的方法：

Isolation Forest (iForest)：利用随机森林来检测异常。

6. 基于降维的方法：

Principal Component Analysis (PCA)、AutoEncoder：通过降维技术来识别异常。

7. 基于分类的方法：

One-Class SVM：利用支持向量机来识别异常。

8. 基于预测的方法：

该方法通常涉及使用时间序列分析或机器学习模型来预测正常行为，并将实际观测值与预测值进行比较，以识别异常。

9. 视觉检测方法：

激光检测：使用非接触的检测设备，如激光，来检测产品表面的缺陷。

视觉检测系统：利用高分辨率摄像头和图像处理算法来检测产品表面的缺陷。

10. 机器学习和人工智能方法：

深度学习模型：如卷积神经网络，用于识别复杂的缺陷模式。

11. 其他方法：

漏磁检测：主要针对钢铁产品进行无损检测，通过磁化材料来检测裂纹或坑点等缺陷。

红外线检测：通过高频感应线圈产生感应电流，穿透产品并检测表面缺陷导致的局部温度上升。

状态空间模型：模拟产品制造过程中的各种状态和转换，以检测可能导致缺陷的异常状态。

这些方法在缺陷检测中各有优势，可以根据具体的应用场景和需求选择合适的方法。