关键要点
以下是有效配置深度学习项目的方法：
- 优化数据集：使用交叉验证并纳入异常缺陷或照明反射等复杂图像，以改进模型。
- 针对可变性进行优化： 使用来自众多生产线和缺陷类型的数据进行训练，以确保跨场景的稳健性能。
- 缺陷检测策略：使用基于像素的分析和 blob 工具进行精确的缺陷测量和分类。
- 跟踪指标：关注 F1 分数等指标，并平衡成本函数，以尽量减少误报和漏报。
- 迭代改进： 利用先进的工具持续优化模型，实现端到端优化。
在这个阶段，人类检查员和视觉系统将生产部件划分为合格或不合格。然后由内部专家审查任何不确定的部件并正确标记。纠正后的模糊部件加上合格及不合格的部件样本进入数据库，以改进深度学习模型。开发人员必须确保将复杂的图像（如那些显示部件有异常缺陷或照明反射的图像）添加到训练集。
增强您的数据
基于深度学习的软件通常提供训练集和优化工具，但团队必须采取额外的步骤，如交叉验证。一旦捕获了足够的数据，团队应该使用数据集的不同部分进行训练，并针对数据集的其余部分进行验证。无论选择数据集的哪个部分，团队都应该确保结果是一致的，因为如果一个部分的表现与其他部分不同，可能存在标签问题，或者某些缺陷类型的代表性不足。
另一个步骤是将生产过程中的每个关键变量隔离出来，进行综合优化。因此，如果存在多条生产线，团队应该从每条生产线上提取图像，并将这些图像用于训练，同时还要确保来自每条生产线的数据和结果是充足的。此外，如果公司有不同的检测方法，团队应该通过文件命名惯例或文件文件夹结构来优化不同的产品版本和缺陷类型。
还必须争取用尽可能多的缺陷元件图像输入到训练数据中去。例如，如果有 500 张合格部件的图像和 282 张不合格部件的图像，使用不合格部件的图像来训练系统要寻找什么，这样它在生产过程中会更有效地工作。
处理不同类型的缺陷
在深度学习中，有多种方法来考查图像中的缺陷。系统可能会根据整个图像产生一个测量结果，以确定一个部件是否合格，也可能采用基于缺陷的方法来识别部件的具体缺陷。后者在为过程控制添加一个额外分类步骤时很有用，但也可能需要二次处理来合并或分离缺陷。
另外，深度学习系统可能会分离出图像中每个缺陷上的特定像素，并提供缺陷区域的测量结果。这种方法通常也需要二次图像处理，对缺陷区域进行处理以产生一个周边或边界框，还将测量缺陷并将其划分为合格或不合格。各种应用需要不同的方法，所以开发人员应该了解缺陷指标以及如何对其进行优化。
了解不同类型的缺陷并设定质量规范，还可以让团队进行端到端的优化，以进一步改善模型。如果团队规定一个超过 10 平方毫米的缺陷或任何两个超过 5 平方毫米的缺陷就代表一个不合格部件，深度学习系统不一定能提供准确的像素测量。在这些情况下，Blob 分析工具可以帮助获得更准确的缺陷测量，让团队可以使用这些图像来完善模型。然而，如果团队计划使用模糊点工具进行额外的优化和分析，为了安全起见，团队中的开发人员应该倾向于让深度学习系统即使对边界案例也报告为缺陷。
关注关键指标
在这一阶段，必须牢记关键的深度学习指标。不是团队中的每个人都需要了解深度学习的所有方面，但开发人员需要了解所有的关键指标以及如何进行优化。示例包括过检和漏检之间的区别与精确度和召回率、F1 得分和曲线下面积 (AUC) 统计。
此外，团队应该研究成本函数，平衡废品成本（过检）和漏检成本（漏检），以确定解决方案的价值。在最初建立一个深度学习项目时，开发人员不应过分关注成本函数，但随着时间的推移，会希望推动项目向高 F1 得分发展。
开始深度学习项目时，有几个重要的步骤需要采取。在本系列的“第一部分：规划”中，探讨了规划的重要性以及如何为您的项目奠定坚实的基础。“第二部分：收集数据”侧重于数据收集和建立真值，这两者对于训练准确的模型都至关重要。在 第 4 部分：工厂验收测试，了解如何在生产环境中验证您的系统，并随着时间的推移不断改进模型性能。