1.提升相机图像成像质量
图像质量是深度学习的"天花板"，若原始图像无法体现缺陷特征，算法层面的优化空间将非常有限。
1）对比度与灰度 ： 缺陷与背景（如金属表面的划痕与金属拉丝）之间的对比度需足够高。若对比度过低，卷积核难以捕捉到有效的边缘或纹理特征。
2）分辨率与缺陷占比： 工业缺陷往往是"微小目标"。如果图像分辨率不足，或下采样（Downsampling）倍数过大，缺陷像素会在深度网络中消失。
3)光照稳定性： 曝光过度（反光）或光照不足（阴影）会淹没真实缺陷，使得模型学到的是"光影分布"而非"缺陷本质"。
2.提升数据标注质量
深度学习属于"数据驱动"，标注的准确性直接决定了模型的上限 。
1）定位精度： 对于检测任务，定位框（Bounding Box）必须紧贴缺陷边缘（最小外接矩形）。不准确的定位会严重影响精确率（Precision）和召回率（Recall）。
2）类别一致性： 工业缺陷往往分类复杂（如"折痕"与"划痕"可能相似）。若不同标注员对同类缺陷的界定标准不一，会使模型陷入分类混乱。
3）漏标与错标： 在工业场景中，漏标（将缺陷漏检）比错标影响更坏，因为它会作为"负样本"误导模型去学习。
4）像素级精度： 在分割任务（Segmentation）中，标注是否精细到像素点（Mask），直接决定了缺陷面积测量及精细分级的准确性。
3.图像增强
图像预处理和增强是缓解数据不足、提升鲁棒性的关键手段。
1）去噪与增强： 使用中值滤波、高斯滤波限制噪声，或通过直方图均衡化（CLAHE）提升缺陷与复杂背景的对比度 。
2）数据增强策略： 针对工业场景，不仅要用旋转、翻转，还需要使用 Mixup、Cutout 等高级策略，或者通过生成对抗网络（GAN）生成模拟缺陷，解决"小样本"和"样本不均衡"问题。
3）ROI 提取： 通过 Hough 变换等方法去除无关背景（如传送带边缘），使模型聚焦于核心待检区域，减少背景噪声干扰。
4.超参设置
合理的超参数设置决定了模型能否收敛到全局最优。
1）学习率（Learning Rate）： 过大可能导致损失函数不收敛；过小则会导致训练速度极慢且易陷入局部最优。通常使用学习率衰减或余弦退火策略。
2）损失函数（Loss Function）： 针对工业数据不平衡，需选用特定的 Loss（如 Focal Loss 或 IoU Loss），给少见的缺陷样本分配更高的权重，强迫模型关注"难样本"。
3）置信度阈值： 实际部署时，阈值的设定需要根据业务需求平衡。比如，安全件（如汽车零部件）通常要求极高的召回率，宁可错检不可漏检。
4）锚框（Anchor Boxes）： 检测模型中的预设锚框比例需要根据缺陷的真实长宽比（如长条形划痕、点状凹坑）进行聚类分析（K-means）设置，否则会导致定位失效。
5.异常检测算法的转变及更新
1）自监督/无监督异常检测： 针对缺陷样本稀缺的问题，主流做法是仅使用正常样本进行训练。模型学习正常产品的分布，任何偏离该分布的特征都被视为异常。
2）小样本与零样本学习（Few-shot / Zero-shot）： 利用如 WinCLIP 等多模态大模型，通过预训练的通用知识（图文对齐）实现对未知缺陷的快速识别。
3）人工合成异常图像： 通过算法在正常图像上人为制造"假缺陷"（如添加高斯噪声、CutPaste 等），强迫模型学习识别细微的差异。