《计算机视觉度量：从特征描述到深度学习》—深度学习工业检测方案评估

谢谢各位粉丝的支持，过去了一年多才再次更新技术博客。原因是个人家庭和技术发展在这短短一年多，发生了很大变化。本人身为技术博主，也在不断的探索和研究新技术在工业检测领域的技术方案。

并在这期间已经完成了基础的工业检测大模型的设计和开发，完成了非监督和零训练的技术突破和实现。但是也遇到了新的技术问题，比如数据质量和模型幻视等核心技术问题。

本次博客，更新一下最新的技术研究和问题梳理，欢迎粉丝交流。

2019年本人开始用深度学习在工业检测方向，目前已经过去了6年时间，从最早的分类算法，到目标检测算法，分割算法等技术方向，到2020年最早一批进入工业非监督算法的设计和研究。本人也对深度学习有了深刻的认识和体会。

工业视觉的深度学习方案，目前都是基于基础视觉模型实现的，基础模型有最早的VGG，Resnet等经典基础模型，同样后面取得成功的模型也都是基于这些经典模型设计的。中间一段时间ResNet为代表的CNN网络的开发占据了学术界和工业界的主流。2021年开始VIT的出现，开始了继于Transformer网络设计的基础模型开始流行。不管模型怎么演化，核心解决的问题是针对不同场景下，深度学习对图片进行特征提取和搜索的方法。或者定义一种图片特征保存方法，在后期研究非监督学习方法的时候，这种理论更加明确。

把深度学习看作图片特征提取的一种方法，已经成为了行业内的共识，得益于模型对大数据进行了特征提取的总结，才有了模型对任何图片的特征范式总结方法。也就出现深度学习的特征提取要远大于人工提取的图片特征的效果。

深度学习，解决了图片特征提取的难题，但是出现新的问题。深度学习对数据质量有严格的要求，这种要求甚至于说苛刻。但是在苛刻的数据质量要求面前，应用场景就很受限。这也是很多社区朋友出现，一测试都可以，一上现场都跑不起来，各种过检和漏检的情况。这也是目前深度学习应用的主要问题。同时解决数据质量问题，又不能量化，只能靠人工去确认，误差就会很大。（后期会出数据质量模型量化的方法）

这也导致目前的深度学习检测算法的应用很局限的原因。这一年多更多工具和方法的出现，也解决了一些问题。非监督解决了，数据不足的问题。大模型和Agent工具的出现，解决模型重复训练的问题，甚至可以免训练。如果大家对工业检测大模型不了解，可以在DY上搜索“军哥讲视觉”了解。