Datasets:

daipath
/

filter-inspection-data

newdata/
├── raw/                     解包后的原始数据（3728 PNG + 1977 JSON，11 个包目录）
├── splits/
│   ├── splitA/              全混合 8:1:1
│   │   ├── meta.csv         3611 行，切分表
│   │   ├── dropped.csv      117 行，剔除清单带原因
│   │   ├── best.pt          分割模型（按 val 选）
│   │   ├── eval_report.json 分割评估
│   │   ├── curve_{val,test}.csv   阈值 → 逐类检出曲线
│   │   ├── geom_{val,test}.csv    逐图几何量测
│   │   ├── viz_{val,test}/  分割可视化 PNG
│   │   ├── aug_{none,weak,mid,strong}/   增广消融
│   │   ├── cls/             第一阶段分类模型（13 个）
│   │   └── cls2/            第二阶段多轴消融（19 个）
│   └── splitB/              跨批次，结构同上
├── release/                 部署包（predict.py + onnx + 文档）
├── docs/                    本文档集
└── *.py *.sh *.csv *.json *.html

脚本：数据准备

`fetch_and_unpack.sh` (25 行)

下 样本7_27.zip 并调 unpack.py。一键起步。

bash fetch_and_unpack.sh

`unpack.py` (87 行)

递归解包嵌套 zip。两个关键行为：

GBK 文件名修复：zip 内中文名以 cp437 存储，按 cp437 → gbk → gb18030 → big5 回退解码。不修则目录名全乱码，pkg 字段失效。
zip-slip 防护：拒绝解到 raw/ 之外。

python unpack.py <zip路径> <输出目录>

输出：raw/ 下 11 个包目录。

`inventory.py` (175 行)

全量清点，解析批次 / 机器 / 会话 / 采集配置 / 标注精细度。

python inventory.py            # -> inventory.csv (3728 行, 854 KB)

关键约束：无批次号或无机器号的包，字段留空，不做默认填充。11 个包中 5 个无机器号。

`metrics_fix.py` (164 行)

逐图几何指标。修了原版 metrics.py 的两个 bug：circle 类型 shape 漏计（展开为 24 边形）、 tightness 指标无物理意义（换成 in_body_ratio + vert_density）。

python metrics_fix.py          # -> metrics_fixed.csv (1948 行, 313 KB)

`build_splits.py` (219 行)

生成两套切分。分组单位 group = pkg‖sess，同组不跨 split；剔除 rare_class / zero_shapes / no_json。

python build_splits.py         # -> splits/split{A,B}/{meta,dropped}.csv

`build_dataset_v2.py` (207 行)

历史脚本，一代数据的构建流程。保留用于对照，新流程不用它。

`make_samples.py` (206 行)

每个包抽 N 张交给 subagent 目检。产出 agent_tasks.json（抽样清单）与 qa_results.json（核查结论，440 KB）。

脚本：分割路线

`train_v3.py` (181 行) ★ 主训练脚本

SMP U-Net + resnet34，三类分割（划痕 / 麻点 / 崩边）。

python train_v3.py <split目录> <epochs> <size> <batch> <workers>
python train_v3.py splits/splitA 200 384 32 10

相对初版的改动：全量 RAM 预载、batch 32 + channels_last + bf16、gwz 归一化、固定种子 42、 test 泄漏断言。产出 best.pt / last.pt / train_summary.json / trainlog.csv。

`train_v2.py` (158 行)

上一代训练脚本，保留对照。

`train_aug.py` (188 行)

增广消融专用（none / weak / mid / strong）。

python train_aug.py <split目录> <aug> <epochs> <size> <batch> <workers>

`run_aug_ablation.sh` (35 行)

4 档 × 2 切分 = 8 个作业，每波 4 并发。

bash run_aug_ablation.sh 200

`eval_v3.py` (206 行) ★ 主评估脚本

val + test 一次性评估，不做阈值标定（标定在 optimize_rules.py）。

python eval_v3.py splits/splitA

产出 eval_report.json（逐类 Dice/IoU + 三种 AUROC）、eval_{val,test}.csv（逐图分数）、 curve_{val,test}.csv（阈值扫描 → 逐类检出）。

`eval_v2.py` (151 行) / `eval_aug_models.py` (185 行)

上一代评估 / 增广消融批量评估（产出 aug_compare.json）。

`measure_geom.py` (180 行)

从分割预测图里量 7 个几何量：划痕长度/宽度/面积/条数、麻点颗数/最大颗/面积/直径、崩边面积/弧长/过角。

python measure_geom.py splits/splitA    # -> geom_{val,test}.csv

`optimize_rules.py` (153 行)

搜几何判据阈值，同时输出 oracle（test 上调，作弊）与 honest（val 上调）两套，供对比过拟合幅度。

python optimize_rules.py    # -> rules_maxfp3.json, rules3_maxfp3.json

脚本：分类路线

`cls_train.py` (185 行) ★

timm 骨干，二分类或四分类。

python cls_train.py <split目录> <backbone> <aug> <task> <epochs> <size> <batch>
python cls_train.py splits/splitA efficientnet_b0.ra_in1k mid bin 60 320 32

产出 best.pt / summary.json / train.log 到 splits/<sp>/cls/{task}_{bb}_{aug}_{size}/。

`cls_train2.py` (233 行) ★ 多轴版

6 个正交轴，命名带全部超参。

python cls_train2.py splits/splitA --ep 60 \
  --bb efficientnet_b0.ra_in1k --sz 320 --aug mid --norm gwz --loss ce --task bin

参数	取值
`--sz`	224 / 256 / 320 / 384 / 448
`--norm`	`gwz`（灰世界+z-score）/ `imnet` / `zscore`
`--aug`	`none` `geo` `photo` `weak` `mid` `strong` `mixup` `cutmix`
`--loss`	`ce` / `ce_nols`（无标签平滑）/ `focal`
`--task`	`bin` / `cls4`

`run_cls_sweep.sh` (60 行) / `run_cls2.sh` (30 行) / `run_cls_aug.sh` (17 行)

批量调度。run_cls_sweep.sh 分两阶段（bash run_cls_sweep.sh 1|2），run_cls2.sh 跑 19 个多轴作业。并发数由 CONC 控制（4090 上 2–3 合适）。

`cls_eval.py` (152 行)

单模型评估，产出 eval.json（含混淆矩阵与 fp_budget 表）。

confusion 的方向是 外层 = 预测类，内层 = 真实类。读反会得到完全不同的数字。

`cls_eval_all.py` (157 行) ★ 统一评测

把所有分类模型（各用自己的 size/norm）评到 test。

python cls_eval_all.py                       # 默认 splitA + splitB
python cls_eval_all.py splits/splitA         # 只评一套

产出 cls_test_all.csv（42 行）。脚本主动声明选择偏差：在 test 上横比 N 个模型再挑最好是有偏的，所以它额外打印「按 val 预先选定」的那个模型——只有那个数字是无偏的。

`cls_tta_ens.py` (92 行)

TTA×8（4 旋转 × 2 翻转）与模型集成。

python cls_tta_ens.py splits/splitA          # -> tta_ens.json

`cls_collect.py` (34 行)

把散落的 summary.json 汇成 cls_all_results.csv。

脚本：诚实性审计 ★★

这四个脚本是本项目最重要的部分。原理见 AUDIT.md。

`cls_probe.py` (188 行)

三合一审计：

批次指纹——用模型特征预测「这张图来自哪个包」，准确率越高说明可作弊空间越大
未见类「碎」硬正样本——这一类整类未参与训练，检出率 sui 应接近 1
eta²——包身份能解释多少良品分数方差，越低越好

python cls_probe.py            # -> cls_probe_all.csv

`cls_frozen_probe.py` (80 行) ★ 决定性审计

冻结骨干特征，对比两种探针：

有标签线性探针（用了良/不良标签）
只见良品的 kNN（完全没用标签）

如果存在可解锁的捷径，有标签的必然显著胜出。实测 kNN 0.9634 > 探针 0.9461——它没有。

python cls_frozen_probe.py splits/splitA resnet34 320
# -> frozen_probe_resnet34_320.json

`cls_hardprobe.py` (59 行)

硬正样本专项检验。

脚本：报告与指标

`precision_table.py` (118 行)

产线不良率 × 不良桶良品率上限 → 可达性表。

python precision_table.py      # -> precision_table_{A,B}.csv (各 36 行)

`gen_p10_report.py` (287 行)

产线不良率固定 10% 的专项报告。阈值在 val 上定、test 只评一次，产出 p10_honest.json + HTML。

这个脚本存在的原因：我此前有两次在 test 上选阈值（precision 表、以及早期只用 train/val 的切分），得到 A 套不良桶良品率 0% 的假象。诚实口径重算是 **17.89%**。这个脚本就是修正版。

`gen_precision_report.py` (182 行) / `gen_report.py` (613 行) / `gen_showcase.py` (323 行) / `gen_nonzero_goods.py` (178 行)

HTML 报告生成器，见下方 HTML 清单。

`make_granularity_figs.py` (220 行) / `make_risk1_figs.py` (185 行)

标注精细度对比图、风险 1（良品漏标）实例图。

`bench_*.py` (39/170/49/124 行)

CPU 核数 / 内存 / 吞吐基准，产出 cpu_bench.json cpu_cores.json throughput.json。

`export_onnx.py` (46 行)

导出 ONNX。**dynamo=False 不能删**——新导出器会把权重拆成 .onnx.data，破坏单文件分发。

结果表字段说明

`cls_test_all.csv`（42 行，主榜单）

列	含义
`split`	`A` / `B`
`task`	`bin` / `cls4`
`backbone` `size` `aug` `norm` `loss` `param`	超参与参数量（M）
`val_auroc` `test_auroc`	AUROC
`test_se`	AUROC 的 Hanley–McNeil 标准误，约 0.005，是噪声地板
`rec@K`	在 val 上取阈值使 val 误报 ≤K，搬到 test 后的检出率
`fp@K`	该阈值下 test 上实际发生的误报数（不受 K 约束，可能超）
`imp_test`	test 口径不良桶良品率 = FP/(TP+FP)
`imp_line10`	换算到产线不良率 10% 的不良桶良品率
`sui`	未见类「碎」的检出率（诚实性指标，越高越好）
`dir`	模型目录

`cls_probe_all.csv`（6 行，审计）

列	含义
`tau`	阈值
`test_rec` `test_fp`	test 检出 / 误报
`sui`	未见类「碎」检出率
`dirty`	良品中疑似脏标的检出率
`nolabel`	无标注缺陷图的检出率
`eta2`	包身份解释良品分数方差的比例，越低越好（A 套 0.05–0.06，B 套 0.00）
`good_med` `def_med`	良品 / 缺陷分数中位数

`precision_table_{A,B}.csv`（各 36 行）

列名已是中文：产线不良率 不良桶中良品率上限 可达 tau 检出率 漏检率 误报率 实际不良桶良品率 放行桶良品纯度 放行桶混入不良 每万片漏检 每万片冤杀 误报率CP95上界 最坏不良桶良品率 最坏放行桶纯度 TP FP split

误报率CP95上界 是 Clopper–Pearson 精确上界。**185 张良品下，即使 0 误报， 95% 置信上界也有 1.61%**——这是样本量的硬限制，不是模型的问题。

`curve_{val,test}.csv`（9 行）

tau 良品误报率 误报数 总检出率 检出数 划痕 麻点 崩边。分割的阈值扫描曲线，麻点那一列是本项目最重要的一张表（见 INDEX.md）。

其他

文件	内容
`inventory.csv`	3728 行全量清点
`metrics_fixed.csv`	1948 行几何指标
`qa_results.json`	subagent 目检结论（440 KB）
`agent_tasks.json`	抽样清单
`rules_maxfp3.json`	单阈值 + 7 维几何，oracle vs honest
`rules3_maxfp3.json`	3 自由度几何，按误报预算 0–5 逐档
`p10_honest.json`	产线 10% 的诚实口径结果
`cls_all_results.csv`	25 行，训练期汇总（含 `best_ep` `tr_loss` `va_loss`）
`cpu_bench.json` `cpu_cores.json` `throughput.json`	性能基准

HTML 报告（5 份）

文件	大小	内容
`样本7_27_数据核查报告.html`	2.1 MB	数据核查主报告。11 个包逐包核查：批次/机器识别、标注精细度分档、缺陷类型分布、抽样目检结论、6 类数据质量风险
`分割效果展示.html`	6.4 MB	每种缺陷类型 / 良品 / 误判良品各 10 张，A、B 两套都有，原图 + 预测掩码叠加
`被模型报警的良品.html`	2.6 MB	185 张 test 良品里被打非零分的 16 张。169 张分数恰好为 0
`不良率10%_判废纯度报告.html`	0.7 MB	产线不良率 10% 下的判废纯度，诚实口径
`判废纯度对照表.html`	—	不良率 × 纯度上限的可达性矩阵

训练产物目录（51 个）

每个目录里：best.pt（按 val 选）、summary.json（超参 + val 指标）、train.log、部分有 eval.json（含混淆矩阵）。

位置	数量	内容
`splits/splitA/cls/`	13	第一阶段：bin × {convnext_nano, efficientnet_b0, mobilenetv3, resnet34, vit_small} + cls4 × {mobilenetv3, resnet34}
`splits/splitA/cls2/`	19	第二阶段多轴消融
`splits/splitB/cls/`	9	B 套对照
`splits/split{A,B}/aug_*/`	8	分割增广消融
`splits/split{A,B}/best.pt`	2	分割主模型

命名规则：

cls/ → {task}_{backbone}_{aug}_{size}
cls2/ → {task}_{backbone}_{aug}_{norm}_{loss}_{size}

`release/` 部署包

文件	说明
`predict.py`	单文件推理，只依赖 onnxruntime + numpy + pillow（+ openpyxl 可选）
`filter_binary.onnx` (16.8 MB)	判废模型，mobilenetv3_large_100
`filter_binary.json`	元信息 + 阈值标定表
`filter_4class.onnx` (85.1 MB)	类型模型，resnet34
`filter_4class.json`	元信息
`requirements.txt`	4 个 pip 包
`README.md`	技术说明
`操作指南.md`	傻瓜版：下载 + 一条命令
`数据集下载指南.md`	图片仓库下载方式
`sample_images/`	22 张样例（来自锁箱 test）

`predict.py` 用法

python predict.py -i 图片.png                              # 单张
python predict.py -i 图片目录/ -o 结果.xlsx                 # 批量（递归）
python predict.py -i 图片目录/ -o 结果.xlsx --with-type     # 附缺陷类型
python predict.py -i 图片目录/ -o 结果.csv                  # 不装 openpyxl
python predict.py -i 图片目录/ -o r.xlsx --threshold 0.787  # 调松紧

预处理必须与训练逐字节一致：等比缩放 → 居中补零 → 逐图灰世界白平衡 → 逐图 z-score。改动其中任何一步，标定好的阈值全部失效。

换自己重训的模型：把新的 filter_binary.onnx + .json 放在可执行文件旁边即可， find_model() 优先找 exe 同目录，找不到才用打包进去的。不用重新打包。

逐文件使用说明

目录结构

脚本：数据准备

fetch_and_unpack.sh (25 行)

unpack.py (87 行)

inventory.py (175 行)

metrics_fix.py (164 行)

build_splits.py (219 行)

build_dataset_v2.py (207 行)

make_samples.py (206 行)

脚本：分割路线

train_v3.py (181 行) ★ 主训练脚本

train_v2.py (158 行)

train_aug.py (188 行)

run_aug_ablation.sh (35 行)

eval_v3.py (206 行) ★ 主评估脚本

eval_v2.py (151 行) / eval_aug_models.py (185 行)

measure_geom.py (180 行)

optimize_rules.py (153 行)

脚本：分类路线

cls_train.py (185 行) ★

cls_train2.py (233 行) ★ 多轴版

run_cls_sweep.sh (60 行) / run_cls2.sh (30 行) / run_cls_aug.sh (17 行)

cls_eval.py (152 行)

cls_eval_all.py (157 行) ★ 统一评测

cls_tta_ens.py (92 行)

cls_collect.py (34 行)