CN116777906B - 工业检测中的异常检测方法、异常检测装置 - Google Patents

Abstract

本发明涉及工业检测技术领域，提供一种工业检测中的异常检测方法、异常检测装置，所述方法包括：获取良品工件图像生成第一数据集；在良品工件图像的全图区域中进行随机裁图生成第二数据集；在良品工件图像的预设区域中进行随机裁图生成第三数据集；将三个数据集组合后训练DDPM；将待检测工件图像缩放后输入训练后的DDPM，将DDPM的输出输入超分辨率生成模型生成修复图像；对待检测工件图像和修复图像进行相似度评估；根据评估结果进行异常检测。本发明采用不同的裁剪策略组成数据集训练DDPM，使得DDPM对图像背景和前景的理解更加准确，在推理阶段将DDPM和超分辨率生成模型结合，对高分辨率小缺陷的情况可有效发挥作用。

Description

工业检测中的异常检测方法、异常检测装置

技术领域

本发明涉及工业检测技术领域，具体涉及一种工业检测中的异常检测方法和一种工业检测中的异常检测装置。

背景技术

目前工业检测中主要分为人工质检及机器视觉两种方案。其中人工质检存在人力效率低、成本高、质量控制困难、准确率随着工作时间增加而降低等问题。对于机器视觉方向，目前工业现场采用的机器视觉检测算法主要包括监督学习和无监督学习，其中，现阶段一般是基于图像重构实现无监督学习。

相关技术中，图像重构一般是利用生成对抗网络实现的，生成对抗网络在训练阶段采用无监督学习实现，仅利用正常数据训练模型，旨在使得模型能够生成更具泛化性的正常图像。

然而，生成对抗网络生成图像的分辨率始终无法直接达到非常高的水平，一般来说，在有限的硬件条件下仅能够生成分辨率为256*256的较为清晰图像，而对于更高分辨率的图像生成则存在清晰度不足的问题。而工业质检中的异常图片往往存在大分辨率背景和小分辨率缺陷的情况，如果采用生成对抗网络进行工业检测，其生成的图像无法有效检测出高分辨率小缺陷的情况，从而导致工业检测的准确率下降。

发明内容

为解决上述技术问题，本发明的第一个目的在于提出一种工业检测中的异常检测方法。

本发明的第二个目的在于提出一种工业检测中的异常检测装置。

本发明采用的技术方案如下：

本发明第一方面的实施例提出了一种工业检测中的异常检测方法，包括以下步骤：获取良品工件图像，且将对应的光学面作为条件标签，以生成第一数据集；在所述良品工件图像的全图区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第二数据集；在所述良品工件图像的预设区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第三数据集，所述预设区域小于良品工件图像的区域；将所述第一数据集、所述第二数据集和所述第三数据集组合，将组合后数据集中所有图像分辨率缩放为第一预设分辨率后训练DDPM（Denoising DiffusionProbabilistic Models，去噪扩散概率模型）；获取待检测工件图像，将所述待检测工件图像缩放为第一预设尺寸；将缩放后的待检测工件图像和给定的光学面条件标签输入训练后的DDPM，得到第一修复图像；将所述第一修复图像输入训练后的超分辨率生成模型，以生成第二预设尺寸的第二修复图像，所述第二预设尺寸大于所述第一预设尺寸；对所述待检测工件图像的原图和所述第二修复图像进行相似度评估；根据评估结果进行异常检测。

本发明上述提出的工业检测中的异常检测方法还可以具有如下附加技术特征：

根据本发明的一个实施例，所述超分辨率生成模型包括：SR-CNN（SuperResolution-Convolutional Neural Network超分辨率-卷积神经网络）、Real-ESRGAN（Enhanced Super-Resolution Generative Adversarial Networks，真实-增强型超分辨率生成对抗性网络）。

根据本发明的一个实施例，在进行相似度评估时的评价方式包括：HIST（Histogram，直方图）、PSNR（Peak Signal-to-Noise Ratio，峰值信噪比）、SSIM（Structural Similarity Index，结构相似度）、哈希算法、FID（Fréchet inceptiondistance，用来计算真实图像与生成图像的特征向量间距离的一种度量）和LPIPS（LearnedPerceptual Image Patch Similarity，学习感知图像块相似度）。

根据本发明的一个实施例，根据评估结果进行异常检测，包括：在进行漏失召回场景下的异常检测时，选择第一评价阈值；在进行良品初筛场景下的异常检测时，选择第二评价阈值，所述第二评价阈值小于所述第一评价阈值。

本发明第二方面的实施例提出了一种工业检测中的异常检测装置，包括：训练模块和推理模块，所述训练模块包括：第一生成单元、第二生成单元、第三生成单元和训练单元，所述推理模块包括：缩放单元、第一修复单元、第二修复单元、评价单元和检测单元，其中，所述第一生成单元用于获取良品工件图像，且将对应的光学面作为条件标签，以生成第一数据集；所述第二生成单元用于在所述良品工件图像的全图区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第二数据集；所述第三生成单元用于在所述良品工件图像的预设区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第三数据集，所述预设区域小于良品工件图像的区域；所述训练单元用于将所述第一数据集、所述第二数据集和所述第三数据集组合，将组合后数据集中所有图像分辨率缩放为第一预设分辨率后训练DDPM；所述缩放单元用于获取待检测工件图像，将所述待检测工件图像缩放为第一预设尺寸；所述第一修复单元用于将缩放后的待检测工件图像和给定的光学面条件标签输入训练后的DDPM，得到第一修复图像；所述第二修复单元用于将所述第一修复图像输入训练后的超分辨率生成模型，以生成第二预设尺寸的第二修复图像，所述第二预设尺寸大于所述第一预设尺寸；所述评价单元用于对所述待检测工件图像的原图和所述第二修复图像进行相似度评估；所述检测单元用于根据评估结果进行异常检测。

本发明上述提出的工业检测中的异常检测装置还可以具有如下附加技术特征：

根据本发明的一个实施例，所述超分辨率生成模型包括：SR-CNN、Real-ESRGAN。

根据本发明的一个实施例，所述评价单元在进行相似度评估时的评价方式包括：HIST、PSNR、SSIM、哈希算法、FID和LPIPS。

根据本发明的一个实施例，所述检测单元具体用于：在进行漏失召回场景下的异常检测时，选择第一评价阈值；在进行良品初筛场景下的异常检测时，选择第二评价阈值，所述第二评价阈值小于所述第一评价阈值。

本发明的有益效果：

本发明在训练阶段采用不同的裁剪策略组成训练数据集后训练DDPM，使得训练后的DDPM对图像背景和前景的理解更加准确，得以保证缺陷纹理的修复质量，在推理阶段将DDPM和超分辨率生成模型结合，保证了对生成图像清晰度的要求，针对工业质检中高分辨率小缺陷的情况可有效发挥作用。

附图说明

图1是根据本发明一个实施例的工业检测中的异常检测方法的流程图；

图2是根据本发明第一个实施例的随机裁图示意图；

图3是根据本发明第二个实施例的随机裁图示意图；

图4是根据本发明一个实施例的工业检测中的异常检测方法的过程示意图；

图5是根据本发明一个实施例的工业检测中的异常检测装置的方框示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是根据本发明一个实施例的工业检测中的异常检测方法的流程图。如图1所示，该方法包括以下步骤：

步骤S1，获取良品工件图像，且将对应的光学面作为条件标签，以生成第一数据集。

具体地，获取良品工件图像，即没有缺陷的工件图像，标记为第一数据集“train1”，且将良品工件图像的不同的光学面作为相应的条件标签。

步骤S2，在良品工件图像的全图区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第二数据集。

具体地，如图2所示，裁剪图的中心在整图范围内随机取点，根据设定的裁图尺寸选定裁图范围，即第一预设尺寸。如果范围超出良品工件图像的原图边界，则将裁图位置整体往非边框方向移动，保证裁图尺寸，每一张良品工件图像可根据需要裁多张图像，但条件标签和原图相同。将裁剪后的图像标记为第二数据集“train2”，将对应的光学面作为裁后图的条件标签。

步骤S3，在良品工件图像的预设区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第三数据集，预设区域小于良品工件图像的区域。

具体地，如图3所示，对良品工件图像A的预设区域A1内进行随机裁图，预设区域A1可以通过分别对上边界值L1和左边界值L2随机设定，同时确保裁剪图像尺寸固定，得到裁剪后的图像。每一张良品工件图像的原图可根据需要裁多张图像，但条件标签和原图相同，由此，形成第三数据集“train3”。

可以理解，第一数据集“train1”、第二数据集“train2”和第三数据集“train3”中的图像包括多张。

S4，将第一数据集、第二数据集和第三数据集组合，将组合后数据集中所有图像分辨率缩放为第一预设分辨率后训练DDPM。

具体地，DDPM的训练较为容易，对于生成对抗网络训练中存在的模式崩塌、生成器和判别器训练频率调整、生成图像分辨率不足等问题，均在DDPM中得到了较好的解决，DDPM不仅实现了图像的随机生成，而且可以通过输入限定条件对生成图像进行有效控制。本发明中将第一数据集“train1”、第二数据集“train2”和第三数据集“train3”进行组合，将组合后的数据集中的图像分辨率均缩放为第一预设尺寸（例如256*256）用于训练DDPM模型。由此，在训练阶段采用不同的裁剪策略组成训练数据集后训练DDPM，裁剪后的图像能包含更多的图片语义信息，使得训练后的模型对图像背景和前景的理解更加准确，得以保证缺陷纹理的修复质量。

以上步骤S1-S4为训练阶段，下述步骤S5-S9为推理阶段。

S5，获取待检测工件图像，将待检测工件图像缩放为第一预设尺寸。

S6，将缩放后的待检测工件图像和给定的光学面条件标签输入训练后的DDPM，得到第一修复图像。

S7，将第一修复图像输入训练后的超分辨率生成模型，以生成第二预设尺寸的第二修复图像。

其中，第二预设尺寸大于第一预设尺寸，也就是说第一预设尺寸为小分辨率，第二预设尺寸为大分辨率，例如第一预设尺寸为分辨率为256*256，第二预设尺寸为分辨率为2048*2048。超分辨率生成模型可以包括：SR-CNN、Real-ESRGAN。

S8，对待检测工件图像的原图和第二修复图像进行相似度评估。

在本发明的一个实施例中，在进行相似度评估时的评价方式包括：HIST、PSNR、SSIM、哈希算法（包括差值、评价和感知哈希算法）、FID和LPIPS中的至少一个。具体实施时，可采用多种评估方式相结合进行综合评估。

S9，根据评估结果进行异常检测。

具体地，如图4所示，在推理阶段，以待检测工件图像的原图尺寸2048*2048为例，将待检测工件图像（分辨率2048*2048）线型缩放为256*256，该过程在缩放图像的同时也减少了一部分缺陷特征。将缩放后的图像和给定的光学面条件标签结合作为DDPM的输入，得到第一修复图像，其分辨率也为256*256。将DDPM输出的图像（分辨率256*256）输入预训练的超分辨率生成模型，超分辨率生成模型可以将图像放大到2048*2048的分辨率，输出第二修复图像，且超分辨率生成模型可以使其输出图像保持和输入图像等同清晰度。然后对待检测工件图像的原图和第二修复图像（分辨率均为2048*2048）进行相似度评估，根据评估结果进行异常检测即可。

由此，在训练阶段采用不同的裁剪策略组成训练数据集后训练DDPM，使得训练后的DDPM对图像背景和前景的理解更加准确，得以保证缺陷纹理的修复质量，在推理阶段将DDPM和超分辨率生成模型结合，保证了对生成图像清晰度的要求，针对工业质检中高分辨率小缺陷的情况可有效发挥作用。

在本发明的一个实施例中，根据评估结果进行异常检测，包括：在进行漏失召回场景下的异常检测时，选择第一评价阈值；在进行良品初筛场景下的异常检测时，选择第二评价阈值，第二评价阈值小于第一评价阈值，第二评价阈值和第一评价阈值根据实际情况预设。

具体地，在在进行漏失召回场景下的异常检测时，可以选择较为激进的评价阈值，保证异常检测的加入不增加整体的过杀效果，且对整体漏失有改良。在进行良品初筛场景下的异常检测时，可以选择较为保守的评价阈值，在保证不漏失缺陷图片情况下，尽可能滤出正常图像。

综上所述，根据本发明实施例的业检测中的异常检测方法，在训练阶段采用不同的裁剪策略组成训练数据集后训练DDPM，使得训练后的DDPM对图像背景和前景的理解更加准确，得以保证缺陷纹理的修复质量，在推理阶段将DDPM和超分辨率生成模型结合，保证了对生成图像清晰度的要求，针对工业质检中高分辨率小缺陷的情况可有效发挥作用。

与上述的工业检测中的异常检测方法相对应，本发明还提出一种工业检测中的异常检测装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。

图5是根据本发明一个实施例的工业检测中的异常检测装置的方框示意图，如图5所示，该装置包括：训练模块1和推理模块2，训练模块1包括：第一生成单元11、第二生成单元12、第三生成单元13和训练单元14，推理模块2包括：缩放单元21、第一修复单元22、第二修复单元23、评价单元24和检测单元25。

其中，第一生成单元11用于获取良品工件图像，且将对应的光学面作为条件标签，以生成第一数据集；第二生成单元12用于在良品工件图像的全图区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第二数据集；第三生成单元13用于在良品工件图像的预设区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第三数据集，预设区域小于良品工件图像的区域；训练单元14用于将第一数据集、第二数据集和第三数据集组合，将组合后数据集中所有图像分辨率缩放为第一预设分辨率后训练DDPM。

缩放单元21用于获取待检测工件图像，将待检测工件图像缩放为第一预设尺寸；第一修复单元22用于将缩放后的待检测工件图像和给定的光学面条件标签输入训练后的DDPM，得到第一修复图像；第二修复单元23用于将第一修复图像输入训练后的超分辨率生成模型，以生成第二预设尺寸的第二修复图像，第二预设尺寸大于第一预设尺寸；评价单元24用于对待检测工件图像的原图和第二修复图像进行相似度评估；检测单元25用于根据评估结果进行异常检测。

根据本发明的一个实施例，超分辨率生成模型包括：SR-CNN、Real-ESRGAN。

根据本发明的一个实施例，评价单元24在进行相似度评估时的评价方式包括：HIST、PSNR、SSIM、哈希算法、FID和LPIPS。

根据本发明的一个实施例，检测单元25具体用于：在进行漏失召回场景下的异常检测时，选择第一评价阈值；在进行良品初筛场景下的异常检测时，选择第二评价阈值，第二评价阈值小于第一评价阈值。

综上所述，根据本发明实施例的工业检测中的异常检测装置，在训练阶段采用不同的裁剪策略组成训练数据集后训练DDPM，使得训练后的DDPM对图像背景和前景的理解更加准确，得以保证缺陷纹理的修复质量，在推理阶段将DDPM和超分辨率生成模型结合，保证了对生成图像清晰度的要求，针对工业质检中高分辨率小缺陷的情况可有效发挥作用。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种工业检测中的异常检测方法，其特征在于，包括以下步骤：

获取良品工件图像，且将对应的光学面作为条件标签，以生成第一数据集；

在所述良品工件图像的全图区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第二数据集；

在所述良品工件图像的预设区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第三数据集，所述预设区域小于良品工件图像的区域；

将所述第一数据集、所述第二数据集和所述第三数据集组合，将组合后数据集中所有图像分辨率缩放为第一预设分辨率后训练DDPM；

获取待检测工件图像，将所述待检测工件图像缩放为第一预设尺寸；

将缩放后的待检测工件图像和给定的光学面条件标签输入训练后的DDPM，得到第一修复图像；

将所述第一修复图像输入训练后的超分辨率生成模型，以生成第二预设尺寸的第二修复图像，所述第二预设尺寸大于所述第一预设尺寸；

对所述待检测工件图像的原图和所述第二修复图像进行相似度评估；

根据评估结果进行异常检测。

2.根据权利要求1所述的工业检测中的异常检测方法，其特征在于，所述超分辨率生成模型包括：SR-CNN、Real-ESRGAN。

3.根据权利要求1所述的工业检测中的异常检测方法，其特征在于，在进行相似度评估时的评价方式包括：HIST、PSNR、SSIM、哈希算法、FID和LPIPS中的至少一个。

4.根据权利要求1所述的工业检测中的异常检测方法，其特征在于，根据评估结果进行异常检测，包括：

在进行漏失召回场景下的异常检测时，选择第一评价阈值；

在进行良品初筛场景下的异常检测时，选择第二评价阈值，所述第二评价阈值小于所述第一评价阈值。

5.一种工业检测中的异常检测装置，其特征在于，包括：

训练模块和推理模块，所述训练模块包括：第一生成单元、第二生成单元、第三生成单元和训练单元，所述推理模块包括：缩放单元、第一修复单元、第二修复单元、评价单元和检测单元，其中，

所述第一生成单元用于获取良品工件图像，且将对应的光学面作为条件标签，以生成第一数据集；

所述第二生成单元用于在所述良品工件图像的全图区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第二数据集；

所述第三生成单元用于在所述良品工件图像的预设区域中以第一预设尺寸进行随机裁图，并将对应的光学面作为裁后图像的条件标签，以生成第三数据集，所述预设区域小于良品工件图像的区域；

所述训练单元用于将所述第一数据集、所述第二数据集和所述第三数据集组合，将组合后数据集中所有图像分辨率缩放为第一预设分辨率后训练DDPM；

所述缩放单元用于获取待检测工件图像，将所述待检测工件图像缩放为第一预设尺寸；

所述第一修复单元用于将缩放后的待检测工件图像和给定的光学面条件标签输入训练后的DDPM，得到第一修复图像；

所述第二修复单元用于将所述第一修复图像输入训练后的超分辨率生成模型，以生成第二预设尺寸的第二修复图像，所述第二预设尺寸大于所述第一预设尺寸；

所述评价单元用于对所述待检测工件图像的原图和所述第二修复图像进行相似度评估；

所述检测单元用于根据评估结果进行异常检测。

6.根据权利要求5所述的工业检测中的异常检测装置，其特征在于，所述超分辨率生成模型包括：SR-CNN、Real-ESRGAN。

7.根据权利要求5所述的工业检测中的异常检测装置，其特征在于，所述评价单元在进行相似度评估时的评价方式包括：HIST、PSNR、SSIM、哈希算法、FID和LPIPS中的至少一个。

8.根据权利要求5所述的工业检测中的异常检测装置，其特征在于，所述检测单元具体用于：

在进行漏失召回场景下的异常检测时，选择第一评价阈值；

在进行良品初筛场景下的异常检测时，选择第二评价阈值，所述第二评价阈值小于所述第一评价阈值。