无已知目标特征场景下传送带异物无监督检测方案咨询

这个场景属于典型的工业开集异常检测范畴，不需要提前采集、标注异物样本，完全可以绕开YOLO、Detectron这类闭集监督检测的依赖，以下是经过工业场景验证的可落地方案：

可直接复用的预训练无监督检测/通用目标提议模型 #

• 基于通用视觉基础模型的零样本提议方案：直接用预训练的通用分割模型、自监督特征模型搭建pipeline，不需要任何标注数据就能跑通。具体逻辑是：提前采集若干张只有正常原材料、无任何异物的传送带图像，用自监督视觉特征模型提取所有正常区域的特征存入特征库；实时推理时，先用通用分割模型对当前帧做所有独立物体的区域提议，再提取每个提议区域的特征和特征库做相似度比对，相似度低于设定阈值的区域直接判定为异物。这类方案对完全没见过的异物泛化性极强，不需要针对异物做任何训练。
• 工业预训练无监督异常定位模型：直接选用面向工业场景预训练的无监督异常定位模型，比如PatchCore、FastFlow这类，这类模型的训练逻辑本身就只需要正常样本，不需要任何异常/异物标注，训练完成后可以直接输出像素级的异常位置，也就是异物所在区域，少量现场正常样本微调后就能达到很高的检出率，部署门槛很低。

按落地优先级排序的可实现算法路径 #

• 优先级1：传统CV基线方案，最快1天就能出可用版本。首先固定相机机位、现场光照，排除环境光波动干扰；先采集100-200张正常原材料过线的图像做背景基准，推理时用背景减除法、帧差法先把传送带上的运动前景全部抠出，再提取每个前景块的纹理、颜色特征或者轻量预训练特征，和提前统计好的正常原材料特征分布做比对，偏离正常分布阈值的直接判定为异物。这个方案不需要跑大模型，在光照稳定的常规传送带场景准确率足够支撑初版验证。
• 优先级2：无监督异常定位方案，适合对检出率要求高的正式落地场景。你只需要采集200-500张无异物的正常过线图像，不需要做任何标注，用无监督异常定位模型训练即可，最终输出的像素级异常定位结果直接对应异物位置。这类方案对金属屑、塑料块、杂物等各类未知异物的检出率普遍能达到95%以上，普通工业GPU上推理速度可达30fps以上，完全满足传送带实时检测的要求，是目前工业未知异物检测的主流落地方案。
• 优先级3：零样本大模型兜底方案，适合正常样本采集量少的冷启动场景。如果前期连足够的正常样本都难以采集，可以直接用通用实例分割模型把传送带上所有独立物体全部分割出来，再用跨模态预训练模型对每个分割块做特征匹配，和提前设定的正常原材料特征匹配度低的块判定为异物。这个方案完全不需要训练，零样本就能启动，缺点是推理速度偏慢，对和原材料外观高度接近的异物漏检率稍高。

落地避坑提示 #

• 不要强行改造YOLO、Detectron这类闭集监督检测模型适配场景，这类模型只会输出训练时标注过的类别，未标注的未知异物会被直接归类为背景，漏检风险极高。
• 所有方案落地前优先固定硬件条件：锁定相机焦距、角度，搭配稳定的专用光源，减少传送带反光、原材料姿态随机带来的特征波动，这一步可以直接把误检率降低50%以上。
• 阈值设置优先保检出率、控漏检率，不要追求零误检，可以通过简单的多帧复检逻辑（比如连续3帧都检出同一位置异常才触发报警）过滤偶发误检，平衡检出率和误报率。

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