缺陷檢測中的異常檢測方法多種多樣，主要包括以下幾種：

1. 基于分布的方法：

3sigma：基于正態(tài)分布，認(rèn)為超過3個標(biāo)準(zhǔn)差的數(shù)據(jù)為異常點(diǎn)。

Z-score：測量數(shù)據(jù)點(diǎn)和平均值的距離，以判斷數(shù)據(jù)點(diǎn)是否為異常。

boxplot（箱線圖）：基于四分位距（IQR）來識別異常點(diǎn)。

2. 基于距離的方法：

KNN：利用K近鄰算法來檢測異常點(diǎn)。

3. 基于密度的方法：

Local Outlier Factor (LOF)：通過比較數(shù)據(jù)點(diǎn)的局部密度來識別異常。

Connectivity-Based Outlier Factor (COF)、Stochastic Outlier Selection (SOS)：也是基于密度的異常檢測方法。

4. 基于聚類的方法：

DBSCAN：通過密度聚類來識別異常點(diǎn)。

5. 基于樹的方法：

Isolation Forest (iForest)：利用隨機(jī)森林來檢測異常。

6. 基于降維的方法：

Principal Component Analysis (PCA)、AutoEncoder：通過降維技術(shù)來識別異常。

7. 基于分類的方法：

One-Class SVM：利用支持向量機(jī)來識別異常。

8. 基于預(yù)測的方法：

該方法通常涉及使用時間序列分析或機(jī)器學(xué)習(xí)模型來預(yù)測正常行為，并將實(shí)際觀測值與預(yù)測值進(jìn)行比較，以識別異常。

9. 視覺檢測方法：

激光檢測：使用非接觸的檢測設(shè)備，如激光，來檢測產(chǎn)品表面的缺陷。

視覺檢測系統(tǒng)：利用高分辨率攝像頭和圖像處理算法來檢測產(chǎn)品表面的缺陷。

10. 機(jī)器學(xué)習(xí)和人工智能方法：

深度學(xué)習(xí)模型：如卷積神經(jīng)網(wǎng)絡(luò)，用于識別復(fù)雜的缺陷模式。

11. 其他方法：

漏磁檢測：主要針對鋼鐵產(chǎn)品進(jìn)行無損檢測，通過磁化材料來檢測裂紋或坑點(diǎn)等缺陷。

紅外線檢測：通過高頻感應(yīng)線圈產(chǎn)生感應(yīng)電流，穿透產(chǎn)品并檢測表面缺陷導(dǎo)致的局部溫度上升。

狀態(tài)空間模型：模擬產(chǎn)品制造過程中的各種狀態(tài)和轉(zhuǎn)換，以檢測可能導(dǎo)致缺陷的異常狀態(tài)。

這些方法在缺陷檢測中各有優(yōu)勢，可以根據(jù)具體的應(yīng)用場景和需求選擇合適的方法。