传送带原料未知异物检测技术咨询：寻求适用检测算法与模型

一、基于异常检测的目标检测框架 #

这类方案无需标注异物，仅用正常原料图像即可训练，核心是学习正常样本的特征分布，识别偏离分布的异常区域：

• PatchCore：基于特征库的异常检测方法，提取正常样本的局部特征构建记忆库，推理时对比输入特征与记忆库的差异定位异物，适配工业场景小异物检测，对传送带场景兼容性好。
• FastFlow：采用流形建模方式，将正常图像映射到低维流形空间，异常区域会出现明显流形偏差，推理速度快，满足实时检测需求。

二、类无关目标检测模型 #

这类模型不依赖特定类别标注，可检测任意视觉目标，适配未知异物场景：

• OV-DETR：基于DETR架构的类无关检测器，通过预训练视觉Transformer提取通用特征，结合查询机制检测任意目标，无需大量场景微调，可快速适配传送带原料场景。
• Grounding DINO：结合视觉与语言的通用检测器，即便不清楚异物类别，也能通过自然语言描述（如"与原料形态不同的物体"）辅助定位异物，灵活性极强，适配形态多变的工业异物场景。

三、半监督/自监督预训练模型迁移 #

借助大规模无标注数据预训练的模型，搭配少量标注异常样本微调：

• MAE（Masked Autoencoder）：自监督预训练模型，通过掩码重建任务学习通用视觉特征，在此基础上添加异常检测头，仅需少量异常样本即可快速适配场景，大幅降低标注成本。

四、落地优化建议 #

• 优先收集充足的正常原料图像，覆盖传送带不同光照、原料堆叠状态等场景，异常检测模型的效果高度依赖正常样本的覆盖度。
• 搭配后处理规则：设置异物最小面积阈值过滤边缘噪声，或基于原料的颜色、纹理特征做二次校验，进一步提升检测精度。
• 若有少量已知异物样本，可采用半监督微调：先用大量正常样本训练异常检测模型，再用少量标注异物样本微调，增强对未知异物的识别能力。

内容的提问来源于stack exchange，提问作者Berlin Benilo