Anomaly Detection（異常檢測）包括Novelty Detection（奇異值檢測）和Outlier Detection (異常值檢測)。
奇異值檢測：訓練數據不包含異常值，只含有positive（正常）的數據，通過算法學習其pattern。之后用於檢測未曾看到過新數據是否屬於這個pattern，如果屬於，該新數據是positive，否則negative，即奇異值。
異常值檢測：訓練數據中含有異常值，通過相關算法找到訓練數據的中心模式，忽略偏差觀測值，從而檢測出異常值。
本篇博客進行《Novelty Detection案例總結（只訓練正常樣本）》
1、GMM分類器檢測網格缺陷（mlp、svm同理）
create_class_gmm (5, 1, [1,5], 'spherical', 'normalization', 5, 42, GMMHandle)
add_samples_image_class_gmm (ImageTexture, Rectangle, GMMHandle, 2.0)
train_class_gmm (GMMHandle, 100, 0.1, 'training', 0.0001, Centers, Iter)
classify_image_class_gmm (ImageTextureReduced, Correct, GMMHandle, 0.000002)
【halcon案例】novelty_detection_gmm.hdev、novelty_detection_mlp.hdev、novelty_detection_svm.hdev
2、基於GMM分類器的紋理檢查模型
apply_texture_inspection_model，詳情參考我的另一篇博客《Halcon 紋理缺陷檢測 apply_texture_inspection_model》。
3、深度學習
apply_dl_model，詳情參考我的另一篇博客《Halcon深度學習——奇異值檢測》。