1. 基于YOLOv5金属表面缺陷检测
1.1 数据集介绍
NEU数据集由东北大学宋克臣团队制作，专注于钢材表面缺陷的检测与识别。数据集包含了1800张灰度图像，涵盖了六种常见的钢材表面缺陷类型，数据标签为xml格式。
- Crazing（裂纹）
- Inclusion（夹杂物）
- Patches（斑点）
- Pitted Surface（麻面）
- Rolled-in Scale（轧入氧化皮）
- Scratches（划痕）
数据集主要分为两个部分：
- ANNOTATIONS：包含每张图片对应的标签信息，用于标注缺陷的类型和位置。
- IMAGES：包含1800张钢材表面缺陷的图片，每张图片都对应一个特定的缺陷类型。
图片格式：所有图片均为标准图像格式，适合用于计算机视觉任务。 标签格式：标签文件详细描述了每张图片中的缺陷类型及其位置信息，便于进行目标检测和分类任务。
1.2 数据集划分和标签配置
train包括images和labels，所有类别放在一个文件夹里：训练集1770张
标签格式必须为.txt，四个参数：类别，x，y，w，h
数据配置文件data.yaml：
原数据集标签格式为xml格式，所以需要转换为YOLO的txt格式
1.3 训练参数配置
- 数据配置文件（根据数据集路径类别修改）
- 网络配置文件（）
- 预训练权重文件（默认）
- 批次大小（根据硬件显存修改）
1.4 训练结果
问题： 同样是训练200epoch，其他所以参数都一样，一种是训练到100epoch时电脑进入了睡眠模式，隔一段时间继续训练完，一种是一直保持最佳性能训练，这样有区别吗？
- 学习率调度被打乱（最重要影响）
- 优化器状态丢失（如果未正确保存）
检测detect.py参数配置：
--weights runs\exp32\weights\best.pt（自己训练的模型权重） --source ..\NEU-DET\valid\images\inclusion_1.jpg（检测数据路径） --output ..\NEU-DET\output（检测结果输出路径） --conf-thres 0.4（置信度）
2. 半监督异常检测
论文《Semi-supervised Anomaly Detection using AutoEncoders-2020》中，提出了一种卷积自编码器架构，用于异常检测，仅在无缺陷(正常)实例上进行训练。对于测试图像，通过从自编码器输出中减去原始图像获得的残差掩码被阈值化，以获得缺陷分割掩码。
- 优点：仅在无缺陷(正常)实例上进行训练
- 缺点：该方法对阈值的选择比较敏感。甚至连光照的变化也被该方法视为不可取的异常。
3. 传统方法OPenCV
4. 缺陷检测常见问题和难点总结
一、数据相关难点
（1）大图像中的小缺陷检测：图像切片（推理时大图切分成多个小图）、增加小目标检测层（减小感受野）、使用更密集的检测框（减小检测框）
（2）缺陷样本极度不平衡：缺陷样本数据增强（针对专门缺陷）、重采样（过采样缺陷/欠采样正常）
（3）缺陷形态多变与未知缺陷：GAN生成缺陷样本
（4）数据标注成本高、 subjectivity强：弱监督学习（使用图像级标签（有无缺陷）代替边界框标注）、半监督学习（使用卷积自编码器仅在无缺陷(正常)实例上进行训练进行异常检测）
二、模型与算法难点
（1）复杂背景与缺陷混淆：背景抑制（ 通过预处理技术突出缺陷区域）、注意力机制（ 让模型聚焦于关键区域）
（2）检测速度与精度的权衡
