### 基于深度学习的工业产品图像异常检测完整 Python 代码实现 以下提供了一个基于深度学习框架 PyTorch 和 Anomalib 库[^1] 的工业产品图像异常检测系统的完整 Python 实现。Anomalib 是一个专门针对异常检测任务开发的开源库，支持多种先进的异常检测算法。 --- #### 安装依赖项 在运行代码之前，请确保已安装所需的依赖项： ```bash pip install anomalib opencv-python matplotlib torch torchvision ``` --- #### 完整代码实现 以下是完整的 Python 脚本： ```python # 导入必要的库 import os from anomalib.deploy import TorchInferencer from anomalib.data.utils import read_image, get_image_transformations import matplotlib.pyplot as plt import cv2 # 设置模型路径和测试图像路径 model_path = "path_to_your_trained_model.ckpt" # 替换为您的预训练模型路径 test_image_path = "path_to_test_image.jpg" # 替换为您要检测的图像路径 # 检查文件是否存在 if not os.path.exists(model_path): raise FileNotFoundError(f"Model file {model_path} does not exist.") if not os.path.exists(test_image_path): raise FileNotFoundError(f"Test image file {test_image_path} does not exist.") # 创建 Inferencer 对象以加载模型 inferencer = TorchInferencer(model_source=model_path) # 加载并预处理测试图像 image = read_image(test_image_path) transform = get_image_transformations() preprocessed_image = transform(image=image)["image"] # 执行推理 result = inferencer.predict(image=preprocessed_image) # 提取预测结果中的异常分数和热力图 anomaly_score = result.pred_scores.max().item() # 获取最大异常分数 heat_map = result.anomaly_map.numpy() # 显示原始图像、热力图以及最终叠加结果 plt.figure(figsize=(15, 5)) # 子图 1: 原始图像 original_image = cv2.cvtColor(cv2.imread(test_image_path), cv2.COLOR_BGR2RGB) plt.subplot(1, 3, 1) plt.title("Original Image") plt.imshow(original_image) plt.axis('off') # 子图 2: 热力图 plt.subplot(1, 3, 2) plt.title("Heatmap (Anomaly Score)") plt.imshow(heat_map, cmap='hot', interpolation='nearest') plt.colorbar() plt.axis('off') # 子图 3: 结果叠加 overlay_result = inferencer.visualize( sample=result, figure_size=(10, 10), show=False ) plt.subplot(1, 3, 3) plt.title("Overlay Result") plt.imshow(overlay_result) plt.axis('off') # 展示所有子图 plt.tight_layout() plt.show() # 输出异常分数 print(f"Maximum Anomaly Score: {anomaly_score:.4f}") ``` --- #### 关键功能解释 1. **`TorchInferencer` 类** `TorchInferencer` 是 Anomalib 中的核心类之一，用于加载预训练模型并对新数据进行推理[^1]。通过指定模型路径 (`model_path`)，可以直接加载训练好的权重文件。 2. **图像预处理** 使用 `get_image_transformations()` 函数获取标准化的图像变换流程，确保输入图像与模型训练时使用的格式一致[^1]。 3. **异常分数计算** 推理结果对象 (`result`) 包含多个字段，其中 `pred_scores` 表示像素级或全局级别的异常分数。这里选取其最大值作为整体异常评分[^1]。 4. **热力图生成** 异常区域可以通过热力图直观展示，`anomaly_map` 字段存储了逐像素的异常得分矩阵[^1]。 5. **可视化结果** 利用 Matplotlib 将原始图像、热力图及最终叠加结果显示在同一窗口中，便于分析异常位置。 --- #### 注意事项 - **模型路径设置** 用户需替换变量 `model_path` 和 `test_image_path` 为实际存在的文件路径。 - **环境配置** 确保 GPU 或 CPU 支持正常工作，并正确安装所需依赖包。 - **数据准备** 训练模型所用的数据集应具有代表性，覆盖目标产品的典型异常模式[^1]。 --- ###