原理分析

PatchCore 的核心思想可以概括为："用最具代表性的正常特征，覆盖所有可能的正常模式"。它通过 "记忆" 正常样本的特征分布，来识别任何偏离这种分布的异常。

1.特征提取与库构建阶段

使用在ImageNet上预训练的CNN（如 ResNet-50)或自监督模型（如DINOv3）作为特征提取器

将正常图像分割成大小相同的局部patch，提取每个patch的深度特征

通过贪心Coreset采样算法，从数百万个原始特征中筛选出最具代表性的 1%-25%

构建一个紧凑的记忆库，用于后续的异常检测

2.异常检测阶段

●     对测试图像执行相同的patch分割和特征提取操作

●     计算每个测试patch特征与记忆库中所有特征的欧氏距离

●     取最小距离作为该patch的异常分数，距离越大表示异常程度越高

●     融合所有patch的分数生成最终的异常图和图像级异常分数

3.模型输出

●     pred_score，代表整张图的异常分数

●     pred_label，整张图的异常分类（OK/NG）

●     anomaly_map,整张图的异常概率图

●     pred_mask，正常图的预测掩码

VM部署使用方法

环境配置

①将建模好的模型权重转换为onnx模型，再用tensorrt模型转换工具转换为engine模型。

②结合VM自定义模块开发工具，将导出的C++工程封装TRT推理流程

③将模块和环境DLL文件分别安装在如C:\Program Files\VisionMaster4.3.0\Applications\Module(sp)\x64\Recognition和C:\Program Files\VisionMaster4.3.0\Applications\PublicFile\x64下，打开VM即可测试。

运行演示

第一次运行