APCB1
CNN 基準方法
只學習正常外觀，能找出沒見過的瑕疵嗎？
僅以正常影像建模
- 資料檢視
- 方向校正與影像對位
- 預訓練 WideResNet-50-2 特徵
- 逐位置高斯模型 / 馬氏距離
- 影像異常分數與熱圖
方向、影像對位與背景干擾，是基準方法的主要挑戰。
先理解資料，再調整模型。
IVAD / 專案筆記
以 CNN 與 YOLO 探索 PCB 異常檢測
動手實作的電腦視覺 PoC
我想搞懂工業視覺異常檢測怎麼運作，於是動手做了一個小 PoC。我使用公開的 VisA PCB 資料集，用 CNN 特徵建立正常影像模型，測試 ROI 計分與穩健性，再訓練監督式 YOLO。這裡記錄了我的嘗試、成敗與實際收穫。
https://leonlaiyc.github.io/industrial-visual-anomaly-detection/zh-tw/
繁體中文 · A4 PDF · 完整網頁內容
實驗中的真實影像CNN / PCB2
三輪技術探索
三個階段，不同的解法與考驗。
三輪探索串起同一段學習歷程。PCB1、PCB2、PCB3 與 PCB4 是四種不同的電路板資料集。它們各自獨立，使用不同的測試集，並不是把全部資料混在一起訓練同一個模型。
BPCB2 / PCB3
改善與壓力測試
前處理能降低干擾，同時避免引入新的失敗模式嗎？
PCB2 與 PCB3 分開實驗
- CNN 基準方法
- 電路板 ROI 計分
- 門檻校準
- 受控光照修正實驗
- 穩健性評估與工程決策
PCB2 測試 ROI 範圍計分；PCB3 則獨立測試光照修正的效果。
把圖片調亮、調暗、改變對比或模糊，測試對檢測結果的影響。
CPCB4
監督式 YOLO
有了瑕疵樣本與標註，影像檢測會有什麼不同？
使用瑕疵標註訓練
- PCB4 瑕疵標註
- 遮罩轉換為邊界框
- YOLOv8s / YOLO11s 訓練
- 校準與影像層級檢測
- 失敗案例與影像擷取混淆分析
YOLO 使用瑕疵標註訓練，採用單一 defect 類別；前面的 CNN 方法只用正常影像建模。
除了看模型得分，還要確認瑕疵位置有沒有框對。
實際發生了什麼
從翻車的地方與壓力測試中學到的事。
只選幾個來自凍結分數紀錄的代表性結果。每個發現都保留所屬資料集與評估條件。
A
先建立正常外觀的模型
- 想釐清
- 不使用瑕疵訓練標籤，預訓練 CNN 特徵能辨識異常嗎？
- 嘗試方法
- 檢視與對位 PCB1 影像，再於特徵圖各位置建立高斯模型。
- 實際結果
- 原始 PCB1 基準方法檢出 72/100 張瑕疵測試影像（瑕疵檢出率 72%）。熱圖與誤報案例呈現了對位與背景造成的影響。
- 我的收穫
- 最高異常分數可能來自背景，而不是瑕疵。要一起檢查影像與計分區域。
B
優化之後，再進行亮度測試
- 想釐清
- 只在電路板內計分，加上光照修正，能減少誤報嗎？
- 嘗試方法
- 在 PCB2 評估 ROI 計分；在 PCB3 另做受控光照修正實驗，搭配門檻校準與穩健性檢查。
- 實際結果
- PCB2：正常測試影像誤報率由 13% 降至 3%，瑕疵檢出率維持 80%。PCB3：修正在部分光照條件下有效，卻使模糊影像的誤報明顯增加，因此未採用候選方法。
- 我的收穫
- 先解決干擾源，再看代價。優化單一條件，不代表整體變得更穩健。
C
理解監督資訊帶來什麼
- 想釐清
- 使用已標註瑕疵，影像層級檢測會如何改變？
- 嘗試方法
- 將 PCB4 瑕疵遮罩轉成邊界框，訓練 YOLOv8s 與 YOLO11s；使用單一
defect類別與保留瑕疵 fold 評估。 - 實際結果
- 觀察到的影像層級瑕疵檢出率：YOLOv8s 98%、YOLO11s 95%。此監督式設定下檢出率較高，但也發現亮度混淆、對未見瑕疵類型的泛化較弱，以及定位限制。
- 我的收穫
- 判定影像有瑕疵，不代表框能精準定位瑕疵。這是探索性研究，不能據此斷言哪種架構較優。
CNN 只用正常影像建模，YOLO 則使用瑕疵標註。兩者的資料集與實驗條件不同，無法直接拿來比較模型優劣。
我學到什麼
下次實作，我會記住這四件事。
資料品質與前處理很重要。
信任分數之前，先檢查方向、對位、電路板遮罩與影像條件。
別急著把模型做複雜，先找出問題根源。
誤報影像幫助我辨識背景干擾，也促成 ROI 計分的嘗試。
更好的指標，可能帶來意外代價。
PCB3 光照修正改善部分條件，卻引入模糊影像的失敗模式。
模型選擇取決於資料、標註與目標。
正常影像建模與監督式檢測回答不同問題，也需要不同證據。
探索程式與證據
精簡的展示，背後有完整技術紀錄。
來源庫保留真實程式、實驗流程、資料切分說明、分數紀錄、模型比較限制、稽核證據與 D5 時間線。