收益：
- 能够解释如何通过图像处理和机器学习来检测和分类织物表面的缺陷。
- 能够解释误报/误报平衡、4 分评分系统和模型性能指标
- 能够设计验证设置，通过人工检查和物理检查来测试自动缺陷检测输出
多年来，织物质量控制一直依赖于人眼：操作员在照明检查台上观察织物数小时，对他看到的任何缺陷进行标记和评分。这项工作比较累，主观性强，容易疲劳、出错；轮班结束时注意力不像开始时那么集中。计算机视觉和机器学习有望实现这种检查的自动化：高速摄像头扫描织物，在几秒钟内检测并分类缺陷模式。在本单元中，我们将讨论该系统如何工作、评估它的标准以及为什么人类控制仍然不可或缺。
织物缺陷和检验语言
要了解自动检测，首先需要知道缺陷的名称。机织织物的典型缺陷：经纱断裂（缺乏纵向纱线）、纬纱缺陷/界面（横向线）、破洞、污点、厚/薄处、经纱跳动。针织物中：针痕（纵向线，因针故障）、杂针、破洞、粗细差。印染方面：色差、破损（染色不匀）、滑移、飞花。
检查结果通常采用四分制进行评分：每个缺陷根据其纵向长度给予1-4分（例如8厘米以内1分，15厘米以上4分），并计算每100平方米的总分。低于阈值（例如 40 点/100 平方米）被视为“接受”，高于阈值被视为“拒绝”。人工智能自动评分应效仿此标准；它不应该产生自己任意的分数。
提示：自动化系统的输出应始终可转换为您接受的评分标准（例如 4 分）和客户容忍度。仅“模型发现 12 个异常”并不能做出商业决策；它必须转化为点和决定。
自动缺陷检测如何工作？
现代系统通常结合这两种方法。监督分类是指用数千个先前标记的缺陷示例训练的人工神经网络（特别是适合图像的卷积神经网络，英文 CNN）预测新图像中是否存在缺陷及其类型。另一方面，异常检测会学习“正常”结构，并将任何偏离正常的情况标记为缺陷候选者；它适用于罕见的、从未见过的缺陷，因为无需提前标记每种缺陷类型。
我们通过两个基本标准来衡量系统的性能。灵敏度（召回率）：它检测到的实际缺陷的百分比是多少？精确度：他们所说的缺陷实际上是缺陷的百分比是多少？这两者之间有一个平衡。漏报（漏检缺陷）是指将有缺陷的货物交付给客户；误报（将完美标记为有缺陷）意味着不必要的浪费和速度减慢。在质量关键的应用中，通常选择一个阈值来保持较低的误报率，而增加的误报则由操作人员进行快速的第二次检查。
这里有一个关键的陷阱：准确性本身就会产生误导。在生产线上，大约 2% 的织物有缺陷。一个愚蠢的模型声称一切都“完美”，其准确率高达 98%，但却没有发现任何缺陷。因此，在不平衡数据中，不考虑缺陷类别的灵敏度和精度，而是考虑准确度。
一步一步：评估检测系统
- 收集代表性数据。涵盖系统将看到的实际织物品种（颜色、纹理、灯光）的图像；包括罕见的缺陷。
- 检查标签质量。如果训练标签错误，模型也会学习错误；用专家的眼光对标签进行取样。
- 测量灵敏度/精度。单独针对缺陷类别；不要只看一般准确性。
- 检查假阴性。遗漏的缺陷是否有共同特征（特定颜色、特定光线）？
- 设置人机交互。让操作人员确认模型所标记的内容；将不确定性引导给人们。
- 监控和再培训。当新的缺陷类型出现时更新数据集（概念漂移）。
三个迷你案例：从数字来看
案例 1——误导性的准确性。供应商出售的系统称“我们的模型准确度为 97%”。现场客户退货增加。分析显示，缺陷类别的敏感性仅为 61%，这意味着每 100 个真正缺陷中就有 39 个被遗漏。准确性很高，因为大部分面料已经完美无瑕。重新调整阈值，增加人为控制；灵敏度提高到 92%，误报被操作员消除。
案例 2 — 照明转变。其中一条线中，当午后阳光照射到检查区域时，误报率增加了两倍；模型认为阴影是污渍。当观看条件（封闭的柜子、恒定的 LED 照明）标准化后，问题就得到了解决。经验教训：成像设置与模型的质量同样重要。
案例 3 — 时间和劳动力。一家企业平均花费 9 分钟手动检查 100 米的织物。采用相机预扫描+操作员确认模式，由于操作员只关注标记区域，因此时间缩短至4分钟，并且泄漏减少。至关重要的是，自动化不是让操作员变得敏锐，而是让操作员的眼睛变得敏锐。
弱提示/强提示
注：直接分析缺陷图像的专用系统是独立的；这里我们使用人工智能进行流程设计、数据评估和报告。
弱提示：
告诉我，我们的缺陷检测模型好吗？
强力提示：
您的角色：纺织品质量工程师和数据分析师。下面是缺陷检测模型的测试结果（混淆矩阵：真阳性、假阳性、假阴性、真阴性）。任务：1) 计算缺陷类别的灵敏度和精度，显示公式。2) 用这些数字解释为什么总体精度可能会产生误导。3) 评论本次生产中假阴性风险对业务的影响。4) 给出阈值设置和人工检查的具体建议。数字：[矩阵]
可复制模板
1) 指标计算和解释：
根据以下混淆矩阵计算灵敏度、精度和 F1 分数，编写每个公式并证明哪个公式在质量方面更关键。矩阵：[TP、FP、FN、TN]
2）漏报根本原因：
以下是漏检（假阴性）缺陷的特征列表（缺陷类型、颜色、光线、速度）。生成常见模式假设并为每个假设提出验证试验。数据：[列表]
3) 换算为4分积分：
将以下检测输出转换为 4 分制：根据每个缺陷的长度对其进行评分，计算每 100 平方米的总分，与[阈值]分数进行比较并建议接受/拒绝。缺陷列表：[列表]
4）检验报告草稿：
从以下班次缺陷数据中得出执行摘要：前 3 个缺陷、可能的流程来源（假设）、总拒绝率和建议的操作。不要编造数字，只需使用给出的数字即可。数据：[表]
指标比较表
标准
采取什么措施
长得高就好吗？
质量的重要性
准确度
总体正确率
可能会产生误导
不平衡数据较少
灵敏度（召回率）
实际捕获不良率
是的
降低假阴性（严重）
精度
你所说的事实是一个缺陷
是的
减少误报/浪费
假阴性
逃逸缺陷
不，应该很低
客户面临商品缺陷的风险
误报
空警报
不，但可以容忍
效率/速度损失
注意：自动化系统是“预筛选者”，而不是“审批者”。最终的质量验收决定需要主管质量官员的批准，特别是对于受客户合同约束的批次。该模型加速了人类的控制，但并不能免除它。
常见错误
- 见义而满足。高精度隐藏了不平衡数据中的伪影。
- 忽略观看条件。如果没有恒定的照明和恒定的速度，模型是不可靠的。
- 不检查标签质量。使用错误标签训练的模型学习不正确。
- 忘记新的缺陷类型。如果随着时间的推移出现的新缺陷没有更新数据，性能将会悄然下降。
- 把人赶出去。关键的接受决定需要人工批准。
总之
图像处理大大加快了织物检测速度并弥补了人类疲劳。但他的表现并不是以准确度来解读，而是以缺陷等级的敏感性和精确度来解读；假阴性是最危险的质量错误。稳定的成像条件、质量标签和人在环检测是系统可靠性的三大支柱。自动输出是初步筛选；最终验收决定仍需工程师批准。
应用任务
为缺陷检测系统定义一个示例混淆矩阵（例如 100 个缺陷样本，4900 个完美样本）。具有使用本单元“公制计算”模板计算的灵敏度、精密度和F1；然后手动检查结果。在一段中讨论当您更改阈值以将同一矩阵中的假阴性减半时，误报会发生什么，并确定哪种平衡适合您的产品。
清单
- [ ] 我通过灵敏度/精度而不是准确性来评估性能。
- [ ] 我解释了漏报风险以及业务影响。
- [ ] 我标准化了观看条件（光线、速度）。
- [ ] 我定期检查标签质量和新的缺陷类型。
- [ ] 我对最终接受决定给予人工批准；该型号仅预筛。