深度学习图像分割，是表面缺陷检测的一种工具，适用于被测物表面的划痕，脏污，裂纹等可标注缺陷的检测，支持多分类缺陷任务，通过深度学习图像分割模块，可输出缺陷概率图及类别图。下图为深度学习图像分割模块的使用场景，可从图中快速浏览各模型的优势：

训练的过程：

1、打开VisionTrain训练工具

2、选择目标平台->VM平台（VM 平台训练的模型用于VisionMaster软件），选择训练类型->图像分割，点击下一步。

3、进入标定界面

①点击“新建训练集”，创建或选择训练样本，训练样本的绝对路径应当不包含空格（·注：将存在缺陷的样本图片放在一个文件夹中，便于后期增加样本以丰富训练集，训练集图片数量以200张以上为佳。训练样本需具有代表性，尽可能包含各种形态的缺陷类型，新样本的图像分辨率与原样本一致）。

②选中包含有缺陷样本的文件夹，点击确定，将缺陷样本加载至特征标定界面。

③点击画笔工具 或多边形工具 进行缺陷的标定，其中标定时应当尽可能贴近缺陷边缘，否则标定区域过大，使非缺陷特征数据进入深度学习网络，导致模型学习效果不佳。

④当选择“单图像分割”进行模型训练时，如训练集中存在多个缺陷类别，可以在标定缺陷区域后，选择“操作”栏下的”缺陷类别”中填入数字或者中文，用来指出该缺陷的类别归属。一般默认标注的区域为缺陷特征，即在”操作”下方的”严重程度中”默认为”缺陷”，而“忽略”则表示某些与缺陷非常接近的特征容易误判，需要排除忽略掉。

⑤当选择“图像对比”进行模型训练时，如选择模板类型为“自学习“，无需要加载额外的 OK 样本，只需按照步骤④一样标注缺陷，如步骤④图中所示。

⑥当选择“图像对比”进行模型训练时，如选择模板类型为“对比“，由于该类型不支持多分类任务，因此，对缺陷特征进行标注后无需定义缺陷类别，同时在训练集中额外加载一张完全合格的图像并标记为 OK， 条件允许情况下建议 OK 样本量为三张，如下两张图所示。

⑦缺陷标定注意事项如下：

（1）目前，单图像分割小、大模板与图像对比的”自学习”模板可以实现缺陷检测的多分类任务，这两种训练类无需添加OK 样本，在标注时需要对每个缺陷配置好缺陷类别。而图像对比的”对比”模板与单图像分割中模板，需要添加OK样本，且不能在标注时配置缺陷的类别。

（2）在标注时应尽量逐像素标定，并贴近缺陷的形状和方向，减少非缺陷特征的干扰。

    需避免下图的标记情况：

包含大量的背景信息

出现漏标的情况

同时将其他缺陷特征也包含进来

训练参数说明

图像分割模式：

选择类型：本地训练-依赖本机显卡训练；云服务器训练-使用萤石云进行训练；本地服务器训练-在本地架设的服务器上训练。

模型能力：共有小、中、大三种模型，其中小模型与大模型都能应对复杂背景下的模型训练， 小模型的训练和检测运行效率高，大模型的检出效果更加精细。另外，在缺陷形态种类较少或样本量较少的情况下可选择小模型，反之则选择大模型。而中模型应尽量选择在低复杂背景下的模型训练， 能够达到训练效率、检测运行效率和检出效果的良好平衡。.

图像通道数：图像源是黑白的选择1通道，图像源是彩色的选择3通道。

迭代轮次：整个训练集参加训练的次数（即epoch），默认为15，该值为一个固定的乘法系数， 在算法中已经可以根据训练集的大小来调整最优的迭代轮次，一般不建议调整该系数。

批大小:迭代一次时输入训练网络的样本量(即batch)，默认为5，一般不建议调整该系数。

图像比对模式：

选择类型：本地训练-依赖本机显卡训练；云服务器训练-使用萤石云进行训练；本地服务器训练-在本地架设的服务器上训练。

模板类型：有对比和自学习两种模板类型。对比模板类型要求训练样本的图像背景干扰较少， 且目标物体是严格对齐的(目标位移在 3 个像素之内)。自学习模板类型要求较为宽泛，保持目标物体是基本对齐的即可，同时在复杂背景下表现较优，比如变化的文字、二维码等。自学习模板类型在样本量适中的情况下，应当与单图像分割模型进行实验对比，测试处当前样本条件下最优的模型选择。

模型能力：共有中模型和大模型，中模型比大模型的检测运行效率更快，而大模型比中模型的检出精度更高。

图像通道数：图像源是黑白的选择1通道，图像源是彩色的选择3通道。

迭代轮次：整个训练集参加训练的次数（即epoch），默认为15，该值为一个固定的乘法系数， 在算法中已经可以根据训练集的大小来调整最优的迭代轮次，一般不建议调整该系数。

批大小:迭代一次时输入训练网络的样本量(即batch)，默认为5，一般不建议调整该系数。

训练过程：

若不设模型保存路径，则将会保存在默认位置，即\VisionTrain1.4.0\Applications\DeepLearningMode 下。确定好模型名称后点击开始训练，随着迭代次数的增加，训练误差会越来越小，最后趋于平缓。当训练完成后点击结束训练，在指定的文件夹位置会生成一个.bin文件，该文件则是深度学习网络训练后得到的模型文件。

通过以上步骤，就可以得到训练的模型，然后利用VM的图像分割工具进行测试验证。