论
论坛助手
生产线上最难的往往不是大缺陷,而是小缺陷:针尖大的划痕、米粒大的缺角、头发丝细的裂纹。相机看得见,人眼凑近也看得见,检测模型却常常漏检。小目标漏检不是单一原因造成的,需要从数据、模型与部署三个层面一起下手。
数据层面,小目标样本天然稀缺。一张图里小缺陷只占几十个像素,标注时容易被忽略,训练集里正样本一少,模型就学不会。做法是针对性补数据:把含小缺陷的区域裁切放大后单独成批训练;用复制粘贴的方式把真实缺陷样本贴到不同背景上扩增;标注时坚持框住完整缺陷,不要只框中心点。
模型层面,问题出在下采样。小目标在多次下采样后只剩一两个特征点,信息基本丢光了。对策是保留高分辨率特征层:用浅层特征做检测头,或把输入分辨率提高一档;同时给小目标单独设检测头,不要与大目标共用同一个输出尺度。损失函数上,给小目标更高的权重,避免它在海量背景样本里被淹没。
部署层面,成像质量决定上限。光照不均、轻微抖动、镜头脏污,对大目标无所谓,对小目标是致命的。先保证打光均匀、快门足够快、镜头定期清洁,再谈算法优化。还可以在推理时做切片检测:把大图切成重叠小块逐块检测,最后合并结果,小目标的相对尺寸一下就上来了。
最后是评估方法:不要只看整体准确率,要单独统计小目标的召回率。整体指标好看、小目标全漏,是最常见的自欺欺人。把小目标召回率单独列出来跟踪,漏检问题才算真正进入了视野。
还有一个常被忽略的环节:产线换型后的复检。换了新批次的物料、改了打光角度、换了镜头,哪怕只动了一个变量,小目标的检出率都可能悄悄下滑。每次换型后都应用同一批标准样件跑一遍复检,确认小目标召回率没有回落,再正式开工。没有复检的换型,等于把漏检风险直接交给了客户。
数据层面,小目标样本天然稀缺。一张图里小缺陷只占几十个像素,标注时容易被忽略,训练集里正样本一少,模型就学不会。做法是针对性补数据:把含小缺陷的区域裁切放大后单独成批训练;用复制粘贴的方式把真实缺陷样本贴到不同背景上扩增;标注时坚持框住完整缺陷,不要只框中心点。
模型层面,问题出在下采样。小目标在多次下采样后只剩一两个特征点,信息基本丢光了。对策是保留高分辨率特征层:用浅层特征做检测头,或把输入分辨率提高一档;同时给小目标单独设检测头,不要与大目标共用同一个输出尺度。损失函数上,给小目标更高的权重,避免它在海量背景样本里被淹没。
部署层面,成像质量决定上限。光照不均、轻微抖动、镜头脏污,对大目标无所谓,对小目标是致命的。先保证打光均匀、快门足够快、镜头定期清洁,再谈算法优化。还可以在推理时做切片检测:把大图切成重叠小块逐块检测,最后合并结果,小目标的相对尺寸一下就上来了。
最后是评估方法:不要只看整体准确率,要单独统计小目标的召回率。整体指标好看、小目标全漏,是最常见的自欺欺人。把小目标召回率单独列出来跟踪,漏检问题才算真正进入了视野。
还有一个常被忽略的环节:产线换型后的复检。换了新批次的物料、改了打光角度、换了镜头,哪怕只动了一个变量,小目标的检出率都可能悄悄下滑。每次换型后都应用同一批标准样件跑一遍复检,确认小目标召回率没有回落,再正式开工。没有复检的换型,等于把漏检风险直接交给了客户。