一种瑕疵检测方法示例
以图像处理领域为例的瑕疵检测方法如下：
获取待检测图像：这是瑕疵检测的起始步骤，为后续操作提供基础图像数据。
构建自编码器：
先获取无瑕疵图像。
构建学习器，基于无瑕疵图像对学习器进行训练得到自编码器，自编码器包括编码器和解码器。
得到重构图像：
将待检测图像输入到预先训练的自编码器中，对待检测图像进行编码处理得到特征向量，基于编码器对每个特征向量进行运算处理得到潜在向量，再将潜在向量输入到解码器进行重构处理，得到重构图像。
生成差异图像：将待检测图像中每个像素点的像素值与重构图像中对应的像素点的像素值相减，得到差值后取绝对值得到像素绝对值，将像素绝对值依据对应的像素点的位置进行排列，得到差异图像。
聚类处理得到特征绝对值：
选取多个像素绝对值作为聚类中心。
基于聚类中心对差异图像执行聚类处理流程，包括对每个聚类中心设置不同的类别标签，计算差异图像中每个像素绝对值到每个聚类中心的距离，根据距离对每个像素绝对值进行分类得到对应的类别标签，根据每个像素绝对值与该像素绝对值对应的类别标签的聚类中心计算损失值，重复聚类处理流程直至损失值收敛得到每个类别标签对应的特征绝对值；若损失值不收敛，则计算每个类别标签所对应的所有像素绝对值的平均值，并将每个聚类中心替换为该聚类中心的类别标签所对应的平均值。
生成目标图像：
根据特征绝对值统计每个类别标签所对应的特征绝对值的数量，将取值最大的数量所对应的类别标签确定为背景误差，将差异图像中背景误差所对应的特征绝对值确定为背景绝对值，将待检测图像中背景绝对值所对应的像素点的像素值调整为预设值，得到目标图像。
得到瑕疵检测结果：
将目标图像中除了预设值之外的特征绝对值确定为目标绝对值，根据相邻的多个目标绝对值生成连通区域，并统计连通区域中所有目标绝对值的总和，若总和大于预设阈值，确定待检测图像存在瑕疵；若总和小于或者等于预设阈值，确定待检测图像不存在瑕疵。
其他可能的瑕疵检测方法
传统的图像处理方法：例如基于阈值分割的方法，通过设定合适的阈值将图像分为瑕疵部分和背景部分。
机器学习方法：除了上述自编码器相关的方法，还可以使用支持向量机（SVM）等算法进行瑕疵检测。先提取图像的特征，然后利用SVM进行分类，判断图像是否有瑕疵。
使用非标准检验检测方法的程序
一、总则
规范目的：为规范检测方法的确认工作，保证方法确认结果的公正、准确和可靠性。
适用范围：适用于非标准检测方法的确认，包括对拟纳入检测方法库的文件的建议或申请、受理、文件初审、技术评审、审核确认、通报、批准发布全过程。
负责部门：由能力验证分委员会检测方法研究工作组（CNAL/TC/SC5/WG4，下简称工作组）负责，工作组由聘请的各领域分析测试专家组成，设组长1人负责全面工作，工作组下设办公室和若干个专业组。
二、基本要求
方法来源：
可由各专业组依托国家分析测试体系或其他权威资源库直接提出。
也可由相关实验室经本单位同意并推荐提出申请。
文件格式：
文件格式符合有关的规定，提交的方法应同时包括按要求格式填写的将用于发布的文本和方法研究、验证等用于证明方法可靠性的背景材料，用于发布的文本材料应同时提交电子版本和书面材料。
技术内容：
方法应可靠、实用，其技术指标应符合相关规定。提交验证材料应齐全，包括非标准检测方法的检测原理、操作性、准确性、重复性及再现性等方面的内涵，可选择以下方式进行验证：
利用参考标准或标准物质作校准或比较。
与其他方法所得结果的比较。
通过能力验证或实验室间的比对。
影响结果诸多因素的系统评估。
建立在对方法原理的科学理解和实际经验基础上对结果不确定度的评定。
