工业视觉检测：两大主流异常检测开源框架深度对比（PatchCore vs SPADE）
在工业视觉检测的落地实践中，最大的痛点往往不是算法模型不够深，而是缺陷样本太少，甚至一张都没有。面对这种“无监督学习”的刚需，基于图像分割的异常检测技术成为了救星。其中，PatchCore和SPADE无疑是目前工业界表现最出色、引用率最高的两个开源框架。
这两个项目都基于同一个核心思想：利用大规模预训练的深度学习模型（如ResNet）提取图像特征，在“正常样本”的特征空间中建立参考库。检测时，如果待测图像的特征无法在参考库中找到近邻，即被判定为异常。
虽然底层逻辑相似，但在具体的工程实现、内存占用和检测精度上，二者有着显著的差异。如果你正准备在项目中引入工业异常检测技术，这篇深度对比将帮你决定该选择哪条技术路线。
核心原理的异同
在对比之前，我们需要明确它们的共同基础：特征嵌入与记忆库（Memory Bank）。
- 特征提取：二者都使用在大型自然图像数据集（如ImageNet）上预训练的卷积神经网络（通常采用ResNet-50）作为骨干网络。这些网络的中间层特征能够很好地捕捉图像的纹理和结构信息。
- 构建正常模型：在训练阶段，只输入“OK”（良品）样本。算法会提取这些样本的深层特征，并将其存储在磁盘或内存中，形成一个“正常样本特征库”。
二者的区别在于“如何存储”和“如何比对”：
PatchCore：基于“核心子集”的极致优化
PatchCore的全称是Patch-based Benchmarking of Industrial Anomaly Detection。它本质上是对早期方法（如SPADE）的一种大规模优化。
1. 核心机制：
PatchCore认为，并不是所有的图像块（Patch）特征都是有用的。如果把所有正常样本的特征都存下来，内存占用巨大，且包含大量冗余信息（比如天空、纯色背景的特征）。
- 核心集采样：PatchCore引入了一种“最大正向距离”或聚类采样的策略。它会从海量的正常样本特征中，挑选出最具代表性的“核心子集”存入记忆库。这就好比从一个班级的无数次考试中，挑出最能代表学生正常水平的几次考试成绩来建档。
2. 优势：
- 内存占用极小：由于只保留了核心特征，PatchCore的记忆库非常轻量。这使得它在资源受限的边缘计算设备上部署成为可能。
- 推理速度较快：比对时只需要搜索核心集，而不是全量特征，速度得到了优化。
- 精度更高：去除了冗余特征的干扰，模型对细微异常的敏感度反而提升了。
SPADE：基于“空间感知”的特征重构
SPADE(Sub-Image Anomaly Detection with Deep Pyramid Structured Semantic Descriptor) 是早期的开创性工作，它更侧重于利用特征图的空间结构信息。
1. 核心机制：
SPADE在提取特征时，会保留特征图的空间位置信息，并构建一个多尺度的特征描述子。
- 空间金字塔：它不仅仅看“是什么特征”，还看“特征在什么位置”。例如，一个螺丝孔的特征必须出现在图像的左上角才是正常的，如果在右下角出现了同样的特征，可能就是异常。
- 特征重构：在检测时，它会尝试用记忆库中的特征来“重构”待测图像的特征。如果重构误差过大，即判定为异常。
2. 优势：
- 对位置敏感：对于那些位置固定、结构复杂的工业零件（如电路板），SPADE利用空间信息能有效检测出“错装”或“漏装”。
- 多尺度描述：通过金字塔结构，它能同时捕捉大范围的结构异常和局部的纹理异常。
实战对比：如何选型？
为了方便你在项目中做出决策，我们总结了以下对比维度：
| 维度 | SPADE | PatchCore |
|---|---|---|
| 核心思想 | 利用全量特征库进行重构，保留空间位置信息 | 采样出核心特征子集，去除冗余 |
| 内存占用 | 高（需存储大量特征图） | 低（仅存储核心子集） |
| 检测精度 | 高（尤其在结构化场景） | 极高（SOTA水平，泛化能力更强） |
| 位置敏感度 | 高（擅长检测位置错乱） | 中（更侧重于纹理/语义异常） |
| 部署难度 | 中等（资源消耗较大） | 较易（轻量化，适合工业落地） |
选型建议：
首选 PatchCore 的场景：
- 资源受限：你的工控机或嵌入式设备内存有限，无法承载巨大的特征库。
- 纹理/表面缺陷：检测目标是金属表面划痕、织物污渍、塑料件气泡等，这些主要依赖纹理特征，对绝对位置不敏感。
- 追求极致精度：PatchCore目前在MVTec AD等主流工业异常检测数据集上，通常表现优于SPADE。
考虑 SPADE 的场景：
- 结构化组件：检测对象是复杂的电路板（PCB）、发动机缸体等。除了表面划痕，你还需要检测零件是否装反、孔位是否错位。此时SPADE的空间感知能力会有优势。
- 数据量极小：如果你的正常样本非常少（少于50张），SPADE的全量存储策略可能比PatchCore的采样策略更稳定，因为采样需要一定的数据量来保证代表性。
总结
PatchCore和SPADE都是工业异常检测领域的里程碑式工作。简单来说，SPADE 是“前辈”，奠定了特征嵌入的基础；而 PatchCore 是“后浪”，通过核心集采样解决了内存瓶颈，将该技术推向了更广泛的工业落地。
在实际项目中，建议优先尝试PatchCore，它在大多数场景下都能提供更优的性价比。如果遇到位置敏感型的检测难题，再回过头来研究基于空间重构的SPADE及其变体。
