标题1 工业场景与自然场景对比如下：

标题2 缺陷归纳

做好缺陷的归类，才容易下手。这里给出三种归纳方法：

归纳一：
纹理缺陷：替代原始样本纹路表现，位置、大小、形态不固定；划痕、脏污等；
结构缺陷：与目标结构有关，其位置、形态较固定，可能不存在量化的概念（错漏反）；
其他缺陷：例如医学图像、一些红外热成像、超声波成像等，可能无法靠肉眼建立精准的对应关系
综合以上

归纳二（站在正常样本建模的角度）：
纹理（一般指重复的结构，可能存在颗粒比较大的纹理）
非纹理对齐：与结构相关，但是可以做到对齐
非纹理无法对齐：与结构无关，但是很难对齐
综合以上

归纳三（形态上）：
加法：脏污、异物、附着、
减法：残缺、划痕、破损
替换：混色、异色、杂质、混淆
变形：扭曲、尺寸、褶皱

标题3 可行性分析

明显：缺陷清晰可见，肉眼容易辨别，同时也是对光学成像提出要求；
明确：缺陷标准定义明确，没有争议，是对需求进行筛选；

标题4 数据难点

难分、多样性、不平衡、数据脏。

（1）数据难分：易分样本（也就是明显缺陷和明显不是缺陷）不能出错；漏检和误检达到平衡；
（2）多样性不够：难以收集到全部形态的缺陷样本，基于“缺陷描述”，结合正常样本学习和数据生成的方法来降低“多样性不够”的影响；
（3）样本不平衡：样本级别不平衡，大量正常样本，NG样本占比较小；缺陷占整体较小，导致耗时、难控制误检；类别上不平衡，某一类缺陷占比较大，有些占比极小，基于大量样本可以解决。

标题5 数据脏

数据脏就是标注的时候把标注类别搞错。脏数据会对网络训练带来不利的影响，强行训练会有过拟合的风险。因为网络提取通用特征，拟合不到缺陷只能去拟合其他噪声了。
数据脏还比较好办，归根到底是数据标注的问题。
全网最全的工业表面缺陷检测数据集及论文鸡 开源项目：https://github.com/Charmve/Surface-Defect-Detection/
学习自知乎皮特潘，在此整理！！！
https://zhuanlan.zhihu.com/p/375828501