背景介绍
常见的质检项目主要是表面的缺陷
一般而言需要面临的问题
1、相对于总体而言故障目标非常小
2、训练样本少
3、样本分布不均
4、实时性要求高
比较老的一种方法是用分类，就是粗定位在精准定位。
比如有用yolo做粗定位，再用传统视觉算法做特征
另一种是用分割思想
传统视觉特征
一些基本的操作有：
- 灰度
Gray = R0.299 + G0.587 + B*0.114 - 降噪
常见的是高斯模糊，可以认为通过乘一个核，求平均，去除尖锐点 - canny边缘检测
- 膨胀和腐蚀
增加高亮区域和减少高亮区域，开运算（先腐蚀后膨胀，主要是消除小物体），闭运算（膨胀后腐蚀，主要用来填充物体内细小空洞、连接邻近物体） - 在图像中寻找轮廓 findContours
- 求面积 contourArea
这些算法有一个精髓是你需要知道故障的特征是什么样的
这里有一个例子 工业瓶盖异常检测，筛选出异常瓶盖
分类思路（2步法）
例子 ：
布匹瑕疵目标检测
分割思路
针对数据不均衡的问题，主要有数据增强、loss用dice loss、尽量用轻量化的网络（mobilenet+deeplabv3）
数据增强：
range shape、模糊、旋转、颜色空间扰动、上下翻转、左右翻转、随机裁剪、用gan生成等
loss：对图像分割任务中经常出现类别分布不均匀的情况，常见的loss有Weighted softmax loss、Dice loss、Lovasz hinge loss和Lovasz softmax loss
dice loss:先了解dice系数，这是一种集合相似度度量函数，通常用于计算两个样本的相似度，取值范围在[0,1]。实际问题中dice loss常与bce loss结合使用。
在二分类问题上
dice loss = F1 - score（同时考虑了准确率和召回率）
例子：工业质检案例