经历工业自动化行业的磨炼让我了解到的工业缺陷检测，今天就细说工业缺陷检测_混色缺陷用分割模型好检出么

归纳一：

• 纹理缺陷： 替代原始样本纹路表现，位置、大小、形态不固定；划痕、脏污等；
• 结构缺陷： 与目标结构有关，其位置、形态较固定，可能不存在量化的概念（错漏反）；
• 其他缺陷： 例如医学图像、一些红外热成像、超声波成像等，可能无法靠肉眼建立精准的对应关系

归纳二（站在正常样本建模的角度）：

• 纹理（一般指重复的结构，可能存在颗粒比较大的纹理）
• 非纹理对齐： 与结构相关，但是可以做到对齐
• 非纹理无法对齐： 与结构无关，但是很难对齐

归纳三（形态上）：

• 加法： 脏污、异物、附着
• 减法： 残缺、划痕、破损
• 替换： 混色、异色、杂质、混淆
• 变形： 扭曲、尺寸、褶皱

🗻4、简单粗暴的可行性分析

需求非常多，有时甚至来不及打光验证。因此我有一套简单粗暴的可行性分析办法。主要针对业务场景来说。当然这只是粗糙的可行性分析，只能建立大致的、初步的印象。具体能不能做，还要从光学、结构复杂度、成本、运维、打开市场、推广等多个维度进行评估。

简单粗暴包括以下两个点：

• 明显： 缺陷清晰可见，肉眼容易辨别，同时也是对光学成像提出要求；
• 明确： 缺陷标准定义明确，没有争议，是对需求进行筛选；

基本上满足以上两点，就可以认为该case是可行的，基本可以做的。不过实际的情况是比较复杂的。仅仅靠“明显”和“明确”会把很多机会拦截在外。这种定义无可厚非，但是不够深入，给算法设限。缺陷检测，很难做到这两点的理想情况。且看下一小结数据的详细分析。

🏕️5、数据的四大难点

难分、多样性、不平衡、数据脏。把握难点，针对举措。

5.1 、数据难分

直接后果就是标准难定，学术一点来说就是正负样本类间差距较小，不是非黑既白的一刀切能够搞定的，很难有一个一致性的标注将正负样本分开。也就是需求标准难定，即便是人工也很难保证。标准可能还比较好定，但是执行起来较为困难。

这个放到第一点，因为它是场景和数据的固有属性，人工很难改变，这也是大家吐槽缺陷检测难做的主要原因。不管用任何手段去描述缺陷，都不能做到明显可分。比如按照面积、灰度值等绘制其直方图，中间过渡区域永远存在一定量的样本，处于灰色地带，模棱两可。不管你是多人标注也好，不管你是做量化指标也好，总很难有好的办法改变这一现状。

有人可能会说，直接给阈值进行一刀切或两刀切，阈值交给客户来定。不过我们自己本身要想明白这个事情：不管是AI，还是人工，都会检出灰色地带。该场景存在这种情况，那么说明其需求本应该能够接受灰色地带的数据分错。

标注测试集就很难做，例如甲方合同明确要给出准确率。该问题的存在，很难达到理想的指标。所以如果面临该场景，建议在统计指标上，给出明显漏、明显误等。不然会陷入“清洗数据”、“更改需求”、“重复试验”的死循环，无法解脱。

能否给出对应的量化指标，也是很大的问题，比如明显的缺陷判分很低，微弱的缺陷置信度又很高。降低客户的期望也好，让客户理解AI判定过程也好，总之就是既然想让AI代替人工，我是可以做到。

针对该场景，我们要做的是：易分样本（也就是明显缺陷和明显不是缺陷）不能出错，然后在漏检和误检的tradeoff寻求一个平衡。一般客户会有“直通率”这个概念，可以多次磨合，多次迭代，趋向用户期待。