定界检测

滑动窗法：通过在数据序列上使用固定大小的滑动窗口，分析窗口内的数据行为，当窗口滑动过程中检测到显著变化时，标记为异常区域。

统计分析法：利用统计学方法（如标准差、方差）计算数据的正常范围，当数据点偏离这个范围过多时，可以认为出现了异常情况，从而划定定界。

聚类分析法：应用聚类算法（如K-means、DBSCAN）将数据分成正常和异常两类或多类，异常数据在聚类中形成小的且不同的簇，从而进行定界检测。

机器学习法：训练模型（如SVM、神经网络）学习数据的正常行为模式，然后在测试阶段，通过模型识别出偏离正常模式的异常数据区域。

移动平均法：通过计算一组数据中的移动平均值来平滑数据，当新的数据点偏离移动平均值的范围时，可以标记为异常，从而进行定界检测。

自回归积分滑动平均模型（ARIMA）：使用时间序列模型预测未来的趋势，实际值与预测值之间的显著偏差表明了潜在的边界异常。

频谱分析法：对数据进行频谱分析，检测频谱中的异常变化，以揭示数据中的异常模式及其边界。

分位数法：根据数据的历史分布划定数据的分位点，当新数据超出这些分位点的范围时，认定为异常并进行边界划定。

情景模拟法：构建基于领域知识的模拟情景，分析实际数据与模拟数据之间的差异，以识别并界定异常。

基于规则的方法：预定义若干个检测规则，例如逻辑规则、业务规则，一旦数据触发某条规则，则被视为界定外的异常。

紫外灯：用于检测物体表面或某些材料是否含有荧光记号以准确定位边界。

红外热成像仪：通过检测物体表面温度的变化，可以识别边界或裂缝的位置。

激光扫描仪：利用激光扫描技术捕捉物体的3D模型，通过分析结构特征精准识别边界。

超声波探伤仪：通过超声波在材料中的传播特性，检测内部或表面不连续性，明确材料边界。

光学显微镜：提供高倍放大以识别微小样品或者表面边界变化的详细信息。

高分辨率摄像系统：安装在机器或无人设备上，实时监控和检测作业区域的边界。

电阻探测仪：通过测量电阻的变化可用于识别导电材料之间的边界。