RAD-C++ 高性能无监督异常检测系统

零样本 · 精准 · 工业级性能

项目概述

RAD-C++ 是一个基于纯C实现的高性能无监督异常检测系统，采用DINOv3视觉Transformer作为特征编码器，通过构建特征记忆库实现无需训练的零样本异常检测。本项目将原本需要PyTorch深度学习框架的Python实现，成功移植为仅依赖ONNX Runtime的轻量级C解决方案，大幅提升了推理速度并降低了部署门槛。

核心特性

技术架构

1. 核心组件

┌─────────────────────────────────────────────────────────────┐
│                        RAD-C++ 架构                          │
├─────────────────────────────────────────────────────────────┤
│  输入层    │  图像加载 → 预处理 (Resize/Crop/Normalize)      │
├────────────┼────────────────────────────────────────────────┤
│  特征编码  │  DINOv3 Encoder (ONNX) → 提取CLS + Patch特征    │
├────────────┼────────────────────────────────────────────────┤
│  记忆库    │  Memory Bank ← 训练阶段存储正常样本特征          │
├────────────┼────────────────────────────────────────────────┤
│  异常检测  │  KNN检索 + 位置感知匹配 → 计算异常分数           │
├────────────┼────────────────────────────────────────────────┤
│  输出层    │  异常分数 + 热力图可视化 + 叠加图                │
└─────────────────────────────────────────────────────────────┘

2. 关键技术

DINOv3 视觉Transformer

• 自监督预训练：无需标注数据，从大量图像学习视觉表示
• 多层次特征：提取中间层特征，捕获不同粒度信息
• Patch级特征：支持像素级异常定位

特征记忆库 (Memory Bank)

// 记忆库结构
class MemoryBank {
    std::vector<std::vector<float>> cls_features;   // 图像级特征
    std::vector<std::vector<float>> patch_features; // 像素级特征
    std::vector<float> cls_mean, cls_std;           // 归一化参数
};

位置感知KNN检索

• 传统KNN：仅比较特征相似度
• 位置感知KNN：同时考虑空间位置关系，提升定位精度
• 多尺度融合：融合多层特征，平衡检测精度和召回率

快速上手

环境要求

• 操作系统：Windows 10/11 (x64)
• 编译器：MinGW-w64 或 MSVC 2019+
• CMake：>= 3.16
• 依赖库：
  • ONNX Runtime >= 1.16
  • OpenBLAS >= 0.3.0 (可选，推荐)

安装步骤

# 1. 克隆仓库
git clone https://github.com/yourusername/rad_cpp.git
cd rad_cpp

# 2. 编译项目
.\build.ps1

# 3. 构建记忆库（训练）
.\build_memory_bank.ps1 -Category metal_nut

# 4. 单张图像推理
.\detect_single.ps1 -ImagePath "./data/mvtec/metal_nut/test/bent/000.png" -Category metal_nut

使用示例

1. 构建记忆库（训练阶段）

# 标准训练（使用默认参数）
.\build_memory_bank.ps1 -Category metal_nut

# 大图训练（自定义尺寸）
.\build_memory_bank.ps1 -Category metal_nut -ImageSize 1024 -CropSize 896

# ROI训练（只检测中心区域）
.\build_memory_bank.ps1 -Category metal_nut -UseRoi -RoiRatio 0.8

2. 单张图像检测

# 标准推理
.\detect_single.ps1 `
    -ImagePath "./test.png" `
    -Category metal_nut

# 带可视化阈值
.\detect_single.ps1 `
    -ImagePath "./test.png" `
    -Category metal_nut `
    -VisThreshold 0.05

3. 批量检测

# 检测特定缺陷类型
.\detect_batch.ps1 -Category metal_nut -DefectType bent

# 检测整个测试集
.\detect_batch.ps1 -Category metal_nut -TestAll

4. 评估性能

.\evaluate.ps1 -Category metal_nut

# 输出示例：
# ========================================
# Performance Metrics
# ========================================
# AUROC:       0.9823
# AP:          0.9756
# Best F1:     0.9432
# Best Thresh: 0.0432

核心参数说明

图像预处理参数（训练与推理必须一致）

检测参数

ROI参数（感兴趣区域）

性能表现

推理速度

检测精度（MVTec metal_nut）

项目结构

rad_cpp/
├── CMakeLists.txt          # CMake构建配置
├── build.ps1               # 编译脚本
├── build_memory_bank.ps1   # 训练脚本
├── detect_single.ps1       # 单张推理脚本
├── detect_batch.ps1        # 批量推理脚本
├── evaluate.ps1            # 评估脚本
├── include/                # 头文件
│   ├── config.hpp          # 配置管理
│   ├── dinov3_encoder.hpp  # DINOv3编码器
│   ├── memory_bank.hpp     # 特征记忆库
│   ├── rad_detector.hpp    # 异常检测器
│   └── utils.hpp           # 工具函数
├── src/                    # 源文件
│   ├── main.cpp            # 主程序入口
│   ├── config.cpp          # 配置实现
│   ├── dinov3_encoder.cpp  # 编码器实现
│   ├── memory_bank.cpp     # 记忆库实现
│   ├── rad_detector.cpp    # 检测器实现
│   ├── math_utils.cpp      # 数学工具
│   └── utils.cpp           # 工具实现
├── models/                 # 模型文件
│   ├── dinov3_vits16.onnx  # DINOv3 ONNX模型
│   └── memory_bank_*.bin   # 特征记忆库
└── data/                   # 数据集
    └── mvtec/
        └── metal_nut/      # MVTec样本数据

技术亮点

1. 纯C++高性能实现

• 去除Python依赖，单可执行文件部署
• 使用ONNX Runtime进行高效推理
• OpenMP多线程加速特征提取

2. 智能参数管理

• 训练参数自动保存到记忆库
• 推理时自动加载，确保一致性
• 命令行参数覆盖灵活配置

3. 完善的评估体系

• 支持AUROC、AP、F1等多种指标
• 自动计算最佳分类阈值
• 可视化热力图和叠加图

4. 企业级功能

• ROI感兴趣区域检测
• 批量处理支持
• 性能基准测试工具

应用场景

• 工业质检：检测产品表面缺陷（划痕、变色、变形等）
• 医疗影像：识别医学图像中的异常区域
• 安防监控：检测视频帧中的异常物体或行为
• 食品安全：检测食品包装缺陷或异物

源码获取

联系微信：RC16348，洛卡
备注：RAD C++