01目标
在缺陷样本稀少的条件下，为铁路设备巡检提供异常检测技术验证，并找出多阶段视觉流水线中影响判断的关键环节。
我的工作目标是建立可比较的异常检测实验、准备可复用数据，并把影响效果的上游问题定位清楚。
02输入
- 设备巡检图像，以正常样本为主，缺陷样本有限。
- 目标检测、分割结果与标注信息。
- 从标注转换得到的 COCO 数据、二值掩码和目标裁剪图。
- 用于推理性能测试的模型与 GPU 运行环境。
主要约束：缺陷样本不足以支撑常规监督分类，上游分割伪影可能被下游误判为异常。
03用户流程
以下按巡检与算法评估角色梳理使用路径：
- 巡检或项目人员准备设备图像，并完成必要的标注整理。
- 上游流水线检测、分割设备目标，生成用于分析的区域。
- 算法人员使用正常样本建立基线，对待评估图像计算异常结果。
- 将结果与人工标注或样本判断对照，分析误报、漏报和上游伪影。
- 把实验结论、性能数据与问题样本反馈给相关模块负责人。
这是技术验证与协作流程，不描述尚未证实的生产巡检界面。
04输出
- 标注转换、掩码和裁剪图等数据预处理产物。
- kNN 与自编码器等异常检测方案的对比实验。
- GPU 推理性能基准与实验说明。
- 多阶段流水线依赖分析，以及分割质量瓶颈的诊断反馈。
05任务边界
**个人贡献：**异常检测子模块的算法选型与实验、数据预处理、推理测试，以及整体流水线的依赖分析。
**协作边界：**上游分割由其他模块负责；发现问题后输出诊断并推动协作，不把上游模型修改归为个人交付。
**应用边界：**项目材料支持技术实验与工程诊断，不足以宣称完成无人化巡检或达到生产级识别准确率。
06验收标准
以下为根据现有材料整理的实验与工程验证口径，具体生产验收阈值和客户签收状态未公开。
- **数据正确性：**标注转换后的类别、掩码和裁剪区域与原始图像对应，可用于后续模型评估。
- **方案比较：**在明确的数据划分与阈值条件下比较 Recall、Precision 和 F1，记录漏报与误报的取舍。
- **性能可复现：**说明硬件、输入和计时范围，复测推理吞吐与单张耗时。
- **问题可追溯：**用具体样本区分真实缺陷和上游分割伪影，明确应由哪个模块处理。
- **迭代一致性：**上游模型改变后重新生成相关数据并评估下游，不能直接沿用旧结果。
07迭代
- **准备数据：**转换标注并生成掩码、裁剪图，建立各模块可共享的输入。
- **比较方案：**测试不同 k 值和自编码器方案，结合召回率与误报情况选择技术路径。
- **分析根因：**发现上游分割质量限制下游效果，转向推动分割模块改进。
- **后续验证：**待上游输入更新后，再重新评估异常检测与级联影响；该步骤作为后续验证路径，不表述为已完成。