在数据预处理中，利用数据增强,包括水平翻转、填充、高斯噪声、CLAHE、随机亮度对比度、随机伽马、锐化、模糊、运动模糊和色调饱和度调整，对于 ng 数据集，掩码文件进行相同的数据增强操作； 对于 ok 数据集，生成全0的掩膜图，并将ng图像和ok图像进行混合训练；
在结构方面， 对传统的 Resnet34-fpn 模型添加多尺度特征增强方法增加模型对于各种尺度大小的缺陷的检测， 有效提升模型预测的精度。
在模型后处理中，将模型输出特征恢复到原图像尺寸大小。
训练损失 联合使用focal loss 和 dice-loss