一、命题理解

针对小样本缺陷检测的命题要求，选择合适的缺陷检测算法尤为重要

二、数据集理解

1.官方数据集提供的缺陷标签为一张二值掩膜图，我们将二值掩膜图的缺陷灰度从1调整到255，观察缺陷的形状，进而判断该选择哪种算法。
2.我们观察到缺陷的形状为分割形状，符合语义分割算法需要精确分割出缺陷区域的要求，但最终测评要求形状为缺陷形状的最小外接矩形框，所以目标检测算法也符合要求。我们首先对语义分割进行测试，但是效果很差，随后使用目标检测算法测试，效果比语义分割好，于是我们最终选择yolo v5进行缺陷检测。

三、柔性智能制造小样本缺陷检测算法选择思考

同一张标签上包含缺陷和非缺陷部分，不是简单的二分类问题。

标签内容的上尤其二维码等图案部分样式不固定，字体大小不同也作为缺陷，只有大致特征类似，无法精准识别分割

数据集的缺陷样本标签格式二值掩膜图，实验前需要将二值掩膜图中的缺陷标签信息转化成YOLO标签格式

评价指标F1是目标检测模型常用的性能评价指标，YOLO 系列是单阶段目标检测算法，具有速度快的优点，同时在检测精度上也不断提升。它们能够在实时性要求较高的情况下，保持较好的检测性能，在 F1 值上也能有不错的表现。

综上，基于YOLOV5的目标检测模型能兼顾正确率与推理速度，相较于V8与V11并不会出现正确率上的降低。

三、数据集预处理

对于缺陷检测时存在的周围黑色背景过大导致的对于缺陷特征学习效率不足问题，尝试对图片批量裁剪内部标签范围，减少无用特征学习，发现在正确率上有明显提升，但是对于数据集预处理的方案由于标签在图像位置的不固定，需要思考更优的裁剪方案以及完善的生成训练数据集的处理方案，减少在预处理部分时间的浪费。

四、不足和展望

当前基于YOLOV5的模型推理速度相较而言较低，如何在保证轻量化模型的同时保障准确率。

高效的数据预处理和数据增强方案会对训练时间和训练准确率有明显的影响，可以思考如何优化提供的数据基于小样本生成大样本让模型获得更多的学习样本