《计算机视觉度量：从特征描述到深度学习》—生成式人工智能在工业检测的应用

      2022 年 11 月 30 日一个很重要的标志事件就是chatgpt的出现，打开了生成式人工智能的开端。这也许会是一个历史性的时刻，今天是2025年4月，过去两年多，那个时刻目前回想还是对本人造成了冲击，一个完全有自主分析能力的生成式AI机器人。这也标志新一轮的技术突破开始了。

        早期所有人都采用强化学习进行深度学习应用，但是在2021年开始，生成式的训练方式开始出现，行业内有一段时间出现，模拟生成缺陷的技术方案。但是这种方案最终没有发展起来，主要问题是主干网络的模型参数小，无法模拟更自然的缺陷数据。在这个过程中，技术人员对主干网络特征（早期是Resnet，目前是VIT）映射到相似的生成数据上，用来模拟缺陷数据方案。

        模拟数据的输出，也是最早期生成式网络的开端。在2023年开始，这种以模型总结数据特征，并提炼数据信息特征，在通过编码映射为人类可以理解的信息成为主流。包括目前流行的DeepSeek,文心一言，豆包等模型。不同的是处理数据方式和采用的数据有差异，基本原理都是一致的。在研发过程中有一个特别重要的信息数据信息特征。

        数据信息特征是高质量的人工标注数据通过强化学习得到的，目前公开的高质量数据特别多，也被大部分团队重复使用。所以从数据层面模型的能力都差不多，只是不同模型偏重的方向不一样。有对话，视觉，音频等，各种针对不同场景的模型。

        同样在工业检测的应用中，我们也是采用的数据信息特征进行分析。完成生成式的AI用来检测工业缺陷。在使用过程中，目前主流的预训练视觉模型比如dinov2，CLIP等多模态模型，因为通过大数据的强化学习后，模型的特征提取主要基于范式的特征信息，而非指定的数据特征，这对生成过程中的数据容差特别重要。

        通过预训练的大模型，生成基于当前输入的图片特征BackOne。获得最基本的范式特征信息，这些特征可以进行MLP拟合或者特征比对，输出缺陷区域，和缺陷类型。完成生成过程的检测

        博主对这套大模型方案已经完成，可以在DY关注“军哥讲视觉”，或者WX搜索“军哥讲视觉”进行详细了解