01目标
面向铁路设备的人工目视巡检，验证将轮廓分割、已知异常分类和多帧证据结合的升级路线，帮助流程转向由 AI 筛出候选、检修人员复核。
我承担方案分析、实验评估与交付推进。原有模板匹配和无监督异常检测对已知异常的利用不足，因此需要比较既有路线与引入监督分类后的效果和适用条件。
02输入
- 正常与已知异常设备图像，以及用于实验的构造异常样本。
- 目标轮廓、分割标注与生成的 Mask、Crop 数据。
- 正常、滑板异常、角部异常等分类定义。
- 连续图像帧、现场数据到达节奏与目标推理环境。
样本来源、构造方式和类别划分会影响评估结论。上游轮廓质量与连续帧之间的相关性，也需要纳入整个链路的判断。
03用户流程
以下按巡检筛查任务梳理目标流程：
- 系统接收设备图像，分割目标轮廓，生成一致的下游输入。
- 分类模型判断正常与已知异常类别，并结合规则模型结果。
- 对连续帧进行综合判定，减少单帧波动对候选筛查的影响。
- 检修人员查看筛出的候选图像，核对异常部位与原始画面。
- 将误报、漏报和输入质量问题回流到评估与后续改进。
04输出
我在比较模板匹配、kNN、自编码器和 PatchCore 等方法后，引入 ResNet34 对设备掩膜进行已知异常分类，并通过实验检查拍摄角度变化下的表现。
视觉链路使用 YOLO11s-seg 提取轮廓，配合数据标注、Mask / Crop 生成、训练评估和误差分析，为分类提供一致输入。
方案进一步结合规则模型、ResNet34 和连续三帧多数决，并估算处理时间与数据输入间隔的关系。相关验证支持客户进入实运用系统开发阶段，不能据此推断整个生产系统已由我完成上线。
05任务边界
- 个人贡献聚焦方案升级、数据与模型验证、评估分析和交付协调；团队其他模块的工作不归为个人独立成果。
- 监督分类处理定义过的类别，未知异常仍需单独考虑，不能因已知类别效果较好而忽略新型缺陷。
- 构造异常样本与真实异常的差异需要保留，单模型评估不能替代完整现场验收。
- 当前描述以这版简历中的阶段进展为准，覆盖早期无监督路线之后的方案升级。
06验收标准
以下为材料支持的实验与系统验证口径，具体客户签收标准未公开：
- 检查分割轮廓与标注的一致性，分析边界错误对下游分类的影响。
- 明确训练、评估及构造样本的来源，比较各类识别表现和错误样本。
- 对比单帧、规则融合和多帧综合判定，检查是否引入新的漏检或延迟问题。
- 在约定硬件和计时范围内估算处理能力，检查能否跟上数据到达节奏。
- 候选结果能回到原图供人员复核，模型判断与最终维修决策的责任清楚。
07迭代
从模板匹配和无监督异常检测的对比出发，进一步识别已知异常监督学习的价值；随后统一分割输入，建立分类评估，再组合规则和连续帧证据。
这个过程体现了技术路线随证据变化而更新。后续重点是检查真实现场数据、完整链路和未知异常的边界，让实验改进能够被稳定地接入实际工作。