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，認為超過3個標準差的數(shù)據(jù)為異常點。

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

boxplot（箱線圖）：基于四分位距（IQR）來識別異常點。

2. 基于距離的方法：

KNN：利用K近鄰算法來檢測異常點。

3. 基于密度的方法：

Local Outlier Factor (LOF)：通過比較數(shù)據(jù)點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。

5. 基于樹的方法：

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

6. 基于降維的方法：

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

7. 基于分類的方法：

One-Class SVM：利用支持向量機來識別異常。

8. 基于預測的方法：

該方法通常涉及使用時間序列分析或機器學習模型來預測正常行為，并將實際觀測值與預測值進行比較，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. 機器學習和人工智能方法：

深度學習模型：如卷積神經(jīng)網(wǎng)絡，用于識別復雜的缺陷模式。

11. 其他方法：

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

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

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)具體的應用場景和需求選擇合適的方法。