sbhakim/rule-augmented-industrial-ad

# 规则增强的工业异常检测 本仓库包含了一个用于工业视觉检测的规则增强可解释异常检测框架的核心实现。 该项目研究了如何将异常检测的输出转换为结构化的检测记录，而不是仅仅保留原始分数和热力图。它将单分类视觉异常模型与轻量级基于规则的推理层相结合，通过严重程度、原型、置信度和空间线索来总结检测到的区域。代码库围绕模块化流水线组织：数据集索引、模型拟合、异常图生成、区域清理、符号解释和报告导出。本次公开发布主要侧重于该实现路径和整体架构。  本次公开发布仅保留了项目的核心实现和面向架构的部分： - `src/` 包含了配置、数据集索引、模型拟合、评估、区域后处理、基于规则的解释和精简报告的实现。 - `configs/` 包含了带有仓库相对路径的示例 JSON 配置。 - `assets/` 包含了用于仓库主页的架构图。 - `data/` 仅包含数据集说明。 - `tests/` 包含了涵盖指标计算、模型保存/加载往返测试以及规则引擎决策分支的单元测试。 ## 从何处开始阅读 符号推理层是本论文的核心贡献。对核心思想感兴趣的读者应从以下内容开始： - `src/rules/engine.py`：将异常区域映射到严重程度、原型、置信度、质量和空间描述符的规则引擎。 - `src/rules/priors.py`：引擎所使用的类别级结构先验。 - `src/features/region_features.py`：馈送至引擎的几何区域摘要。 - `tests/test_rules_engine.py`：记录规则契约的黄金输入-黄金输出测试。 ## 仓库布局 - `main.py`：拟合与评估的顶层入口点。 - `src/config`：配置数据类和 JSON 加载。 - `src/data`：数据集索引、加载、转换和审计工具。 - `src/models`：统计基线和预训练特征异常模型。 - `src/features`：异常图处理和区域汇总。 - `src/rules`：符号规则引擎、先验和解释文本。 - `src/evaluation`：指标、记录、报告和一致性工具。 - `src/pipelines`：拟合、评估和数据集审计入口点。 - `tests/`：用于指标、模型往返测试和规则引擎分支的单元测试。 ## 设置 已使用 Python 3.9 进行测试。安装核心依赖项： ``` pip install -r requirements.txt ``` ## 数据 此处未捆绑完整数据集。请单独下载 MVTec AD 并将其放置在以下位置： ``` data/mvtec_ad/ ``` 有关预期位置和官方来源，请参见 [data/README.md](data/README.md)。 ## 运行 运行默认配置： ``` python main.py ``` 运行特定配置： ``` python main.py --config configs/feature_smoke_bottle.json ``` ## 测试 运行单元测试套件（无需数据集）： ``` python -m pytest tests/ ``` ## 注意事项 - 公开配置使用的是仓库相对路径，可以在本地安全地进行编辑。 - 本次公开发布的范围有意控制得比内部项目树更窄。 - 其目的是公开实现概要和系统结构，而不是手稿生成工具或中间产物。 ## 联系方式 如有问题，请联系：`safayat dot b dot hakim at gmail dot com`

标签：impacket, MVTec AD, 严重程度评估, 云计算, 区域级推理, 单分类模型, 可解释性AI, 基于规则的推理, 工业互联网, 工业异常检测, 工业质量检测, 异常区域后处理, 异常热力图, 智能制造, 机器视觉, 模型置信度, 深度学习, 神经符号系统, 空间描述符, 符号推理, 结构化检测报告, 自动化报告导出, 规则引擎, 视觉检测流水线, 逆向工具, 领域先验知识