异常部位检测

**基于图像差分的异常部位检测:** 该方法利用正常样本图像与待测样本图像进行差分运算，突出显示差异区域，从而识别异常部位。

**基于重构误差的异常部位检测:** 该方法利用自编码器或生成对抗网络 (GAN) 等深度学习模型学习正常样本的特征，然后比较重构图像与原始图像之间的差异，识别异常部位。

**基于特征嵌入的异常部位检测:** 该方法将图像转换为特征向量，然后使用聚类或异常值检测算法识别特征空间中的异常点，对应图像上的异常部位。

**基于知识蒸馏的异常部位检测:** 该方法使用预先训练好的模型或专家知识，将正常样本的知识迁移到一个轻量级的模型中，用于检测异常部位。

**基于弱监督学习的异常部位检测:** 该方法利用图像级别的标签或少量标注数据训练模型，识别图像中的异常部位。

超声波检测仪：利用超声波探测材料内部缺陷，适用于金属、塑料等多种材料的无损检测。

红外热像仪：通过捕捉物体表面的红外辐射，分析温度分布，常用于检测电气设备和建筑物的热异常。

X射线检测仪：利用X射线穿透材料的特性，检测焊缝、铸件等内部缺陷，广泛应用于航空、航天等领域。

激光测距仪：通过激光束测量物体的距离和位置，适用于精确测量异常部位的几何形状。

磁粉检测仪：利用铁磁材料在磁场中产生的缺陷可视化效果，主要用于检测金属表面的裂纹和缺陷。

电磁检测仪：通过电磁感应原理，检测导电材料的表面和近表面缺陷，常用于管道和压力容器的检测。

视觉检测系统：结合高分辨率摄像头和图像处理技术，实时监测和分析产品表面缺陷，广泛应用于制造业。