Datasets:
滤光片 AI 外观质检 · 项目总索引
相机 IR-CUT 滤光片裁片的暗场外观质检。约 0.83 mm 见方，图 305–360 px，空间分辨率约 2.7 µm/px。 判良品 / 不良，可选输出缺陷类型（划痕 / 麻点 / 崩角崩边）。
四个仓库，按你的目的选
| 我想… | 去这里 |
|---|---|
| 直接用模型检图 | daipath/filter-inspection → 下 binaries/filter-predict-v3，一条命令出 xlsx |
| 拿数据训自己的模型 | daipath/filter-inspection-data → 3728 张图 + 标注 + 切分表 |
| 复现全部实验 | daipath/filter-inspection-experiments → 全部脚本、权重、结果表 |
| 恢复工作现场 | daipath/runpod-workspace-backup（私有）→ 会话历史、原始数据、报告 |
各仓库详情见 REPOS.md。
项目在解决什么
业务约束几经变化，这一点必须先说清，否则会误读所有数字：
- 最初是「零误杀优先」——良品绝不能判不良，漏检由下游人工兜底。主指标是
recall_at_0fp。 - 后来放宽为「**判不良的那堆里，良品不超过 1–5%**」，即 precision ≥ 95–99%。
- precision 随产线不良率剧烈变化，不是模型固有属性。本项目所有 test 集的不良率是人为构造的（54.8%），产线通常只有 1–10%。任何 precision 数字必须绑定不良率才有意义。
最重要的三个结论
1. 上一代图级分类是作弊的，这一代不是
一代数据里良品 100% 来自 good.rar、不良 100% 来自其他包，类别与批次完全绑定。m02_timm_cls 拿到 AUROC = 1.0，但 30 张目检干净的隔离图全被打 0.999+ —— 它认的是"这张图来自哪个压缩包"。
由此总结出「监督粒度决定诚实度」，quarantine_over_thr0 一路递降：
图级 BCE 1.00 → 特征判别器 0.92 → DINO 线性探针 0.85
→ 双头 cls 分支 0.31 → 判决头(含梯度隔离) 0.23 → 像素 top-k / 检测框 0.00
二代数据批次内良/不良混合，这个捷径失效了。 四条独立证据（见 AUDIT.md）。
2. 分类全面优于分割
同一套切分、同一口径（阈值在 val 上选、test 只评一次）。括号是 test 上实际误报数 / 185 张良品：
| 方法 | A 套 test 检出 | B 套（跨批次） |
|---|---|---|
| 分割 · 单一像素阈值 | 71.4%（误报 5） | 69.7%（误报 5） |
| 分割 · 7 维几何判据 | 64.3%（误报 7） | 76.8%（误报 7） |
| 分类 · resnet34 | 94.2%（误报 3） | 94.9%（误报 7） |
| 分类 · efficientnet_b0 | 97.3%（误报 4） | — |
同口径直接对比：**B 套误报同为 7 时，分割 76.8% vs 分类 94.9%**。 A 套分类只用 3–4 个误报就换到 94–97%，分割花 7 个误报只有 64%。
作弊口径（阈值直接在 test 上调，仅供了解上限）：分割单阈值 A 49.6% / B 65.7%， 7 维几何 A 74.6% / B 85.9%——即便让分割作弊，也追不上诚实的分类。
麻点是最大的翻转。分割的像素分数曲线（curve_test.csv，A 套）：
| 阈值 τ | 误报 | 划痕检出 | 崩边检出 | 麻点检出 |
|---|---|---|---|---|
| 200 | 12/185 | 96.2% | 97.1% | 73.9% |
| 400 | 10/185 | 93.2% | 97.1% | 17.4% |
| 800 | 8/185 | 87.2% | 97.1% | 0.0% |
| 1600 | 5/185 | 64.7% | 91.2% | 0.0% |
麻点连通域太小（test 全部麻点图预测像素合计 6297 px，均摊每图 274 px），任何能压住误报的阈值都会把麻点整类抹掉。 必须靠 7 维几何判据里的「麻点最大颗 P / 直径 D」单独捞，且该判据跨切分不可迁移（A 套选出的阈值到 B 套失效）。
分类不需要任何几何工程：四分类模型对麻点的召回 **91.3%**（21/23），划痕 88.0%、崩边 94.1%、良品 95.1%。
3. 瓶颈是样本量，不是模型
test 只有 185 张良品，**最小可分辨误报率 = 1/185 = 0.54%**。
- 要证明误报率 < 1%（95% 置信、零观测失败）需 ≈300 张干净良品
- 产线不良率 5% 下要 precision ≥ 99%，需误报率 ≤ 0.048% → ≈6,260 张
- 产线不良率 2% → ≈16,146 张
而且全库良品约 3.3% 本身就脏（漏标的真缺陷）。良品没定义清楚之前，误报率无从谈起。
文档地图
| 文件 | 内容 |
|---|---|
INDEX.md |
本文件 |
REPOS.md |
四个仓库逐一说明、下载方式 |
REPRODUCE.md |
完整复现指南：环境、数据、逐个实验的命令与预期输出 |
FILES.md |
逐文件使用说明：41 个脚本、结果表字段、产物目录 |
AUDIT.md |
诚实性审计协议与结果（为什么这次的高分是真的） |
RESULTS.md |
全部实验结果汇总表 |
CAVEATS.md |
已知问题与边界（上线前必读） |
数据一览
3728 张，11 个采集包（样本7_27.zip）：
| 类别 | 张数 | 备注 |
|---|---|---|
| 良品 | 1746 | 约 3.3% 存疑（漏标真缺陷） |
| 划痕（划） | 1170 | 占缺陷图 59% |
| 崩边（崩 + 侧面崩） | 565 | 侧面崩已并入崩 |
| 麻点（麻） | 164 | 最稀缺，也是最难的 |
| 碎 | 64 | 整类排除（规格表外） |
| 不可擦脏 | 19 | 整类排除（单图物理不可判） |
对到客户规格表 11 类不良，数据集只覆盖前 3 类（麻点 / 划痕 / 崩角崩边），但这 3 类就是 95.8% 的缺陷图。
生成于 2026-08-03