算法模块
- 模型识别效果不好如何排查原因？
-
可以从训练数据的数量及质量、数据多样性、现场设置的 ROI 参数以及现场光照等方面排查。
-
数量：训练数据量是否足够使模型达到良好的效果。
-
质量：数据质量是否达标，是否足够清晰且无过曝过暗的情况。
-
数据多样性：数据是否都涵盖了现场可能出现的所有情况。
-
ROI 参数：现场设置的数值是否确保与训练时设置的一致。
-
光照：光照是否发生变化，是否与采集时保持一致。
-
- 缺陷分割模型效果不好，如何排查原因？
-
-
检查标注是否有误。
-
检查训练集中是否包含所有种类的缺陷。
-
检查图像输入尺寸是否合理，若缺陷太小可能无法有效训练模型。
-
- 实例分割模型效果不好，如何排查原因？
-
-
检查创建的标签是否包含了目标物体的所有类别。
-
若提高原始图像质量、预处理图像或调整 ROI 后，部分数据仍无法被模型正确分割，则应额外采集此类数据进行模型迭代。
-
- “缺陷分割”模块和“非监督分割”模块分别适用于什么样的场景？
-
总的来说，“缺陷分割”模块和“非监督分割”模块均能识别出图像中的缺陷区域，但两个模块有较大区别，具体应用时可根据以下几点进行选择：
-
前者主要是为了检出缺陷，对缺陷位置、形状、大小有较高精度要求，后者主要是为了判断图像中有没有缺陷，如果有缺陷，会给出大致的缺陷区域。
-
前者要求在图像标注时标出训练集中所有类型的缺陷；后者不需要标注缺陷，也不需要NG图像，只需OK图像即可训练模型。
-
后者只能展示一个大致的缺陷区域，并不能精确分割缺陷。如果对缺陷分割有较高要求，建议使用“缺陷分割”模块。
-
- 图像分类模块和非监督分割模块有什么区别？
-
表面上看，这两个算法模块都可以把图像分成几类，但在使用和功能上，它们有较大的区别：
-
数据标注
-
图像分类模块主要作用是分类，所以要求有每个类别的标注数据来训练模型；
-
非监督分割只需要OK图的标注数据，不需要标注包含缺陷的NG图，更不需要对具体的缺陷类型进行标注。
-
-
功能实现
-
图像分类模块按照设定的标签判断图像。在检测NG图时，图像分类模块只能识别出某一种或多种缺陷类型（一种缺陷对应一个类别）的NG图；
-
非监督分割则根据设定的阈值判断出物体图像为 OK、NG 还是 Unknown（未知）。在检测NG图时，非监督分割模块能识别出包含各种各样缺陷的NG图。
-
-
结果展示
-
图像分类是标注时有几个分类，结果输出时最多也只能有设定的几个分类，无其他；
-
非监督分割除了可以把图像分类为 OK、NG 或 Unknown，还可以给出大致的缺陷区域。
-
总的来说，图像分类用于有限类别的分类任务，而非监督分割则主要用于检测 NG 图并给出大致的缺陷区域，无需事先确定具体缺陷类别。
-
- 如何在 Mech-DLK 中实现光学字符识别（OCR）功能？
-
可通过级联以下两个算法模块实现：
-
文本检测：前序模块，用于检测图像中的单行或多行文本区域；
-
文本识别：后序模块，用于识别文本区域中的字符。
-