缺陷检测是机器学习的一个应用方向。我近期做了一个小的缺陷检测项目,感觉也不是很难,主要注意三点:1、环境模型,即对所有影响检测的环境因素及它们对检测的影响,要建立一个模型,这样才有适应能力,2、正常样本的标准,建立一个严格的正样本标准是基础,3、缺陷的判定规则,因为缺陷的形态是无法穷尽的,所以判定规则要做到全面覆盖有困难,只能边测试边添加,而且设置判定规则的时候要同时考虑误报率、漏报率、检测速度的平衡,多数情况下,漏报率是项目的一个最重要指标。
另外,还有一点非常重要:在整个检测流程中,前面的步骤往往更重要,因为前面一点点误差,会引起后面更大的误差,甚至会导致后续处理的逻辑混乱不堪,甚至完全不能用。当然,处理精度的越高,算法的开发也就更谨慎,需要挖掘更深层次的特征。