监督缺陷分割：工具分类

在这个案例中，我们需要将图片中的各种工具进行分类并输出不同的标签。

结合需求分析图片后，我们来筛选一下适合做分类的模型有哪些？

分类模型： 可将图像分类为特定类别或标签，从而便于对大量视觉数据进行排序、组织和过滤。此方法可以识别图像中的内容类型。

实例分割： 能够识别并分离图像中的单个对象，并为每个对象分配一个唯一的标签。

监督缺陷分割： 使用有缺陷和无缺陷的图像训练模型。模型学习分类和分割各种类型的缺陷，区分不同的缺陷类别。

这里我们来比较一下这三种模型：

分类模型： 标注目标为整张图片，而非图片中的某一单一物体。它是对整张图像进行分类的，显然、我们的数据中是多种物体混合在一起去识别做分类的。可见在此案例中分类模型并不适合该应用。

实例分割模型： 实例分割能够识别并分离图像中的单个对象，并为每个对象分配一个唯一的标签。模型会定位图像中的对象并生成精准的定位边界。在现实应用中，实例分割常用作识别不规则外形的物体。比较适合该案例的应用。

监督缺陷分割： 训练数据的图片中需要有分类物品的对象和无分类物品的对象数据图片。在实际分类应用中也可能会出现分类为空的情况、可见该模型比较适合该模型的应用。

提示

实例分割模型和监督缺陷分割模型也是可以用做分类应用，我们可根据不同的标签来确认种类。

实例分割模型测试如下

从测试结果看、实例分割模型虽然可以将工具识别分类出来、但分割出来的mask会有明显缺失。

从测试结果看、监督缺陷分割模型不但可以将工具识别分类出来、分割出来的mask也会比较完整、准确。

总结

在本次实验中，我们对比了实例分割和监督缺陷分割在识别图片中细长工具时的表现，发现监督缺陷分割模型效果显著优于实例分割模型。尽管实例分割在理论上适合检测图像中的各个工具实例，但由于工具多为细长形状，实例分割模型在训练过程中对图像的压缩操作会导致细节丢失，导致识别效果变差。
相较之下，监督缺陷分割以像素级方式对图像进行处理，能够保留物体的几何信息，这使得其更适合检测形状和长度不固定的目标，例如缺陷区域、划痕、凹坑等。而在这个案例中，细长的工具使用监督缺陷分割来学习的话就不会导致信息的丢失。
因此监督缺陷分割在针对细长物体时，可以作为一种更稳定，更准确的替代方案。