讓天下沒有難訓練的缺陷檢測模型
我們身處什麼浪潮之中？
“小公司”上《新聞聯播》
新聞聯播報導微億智造質檢機
微億智造的產品第一次上《新聞聯播》時，成立不到兩年。為什麼這家“小公司”可以做到這點？
核心矛盾
我國製造業面臨的核心矛盾：雖然我們希望繼續向全球輸出高性價比的產品，但是人口紅利消失導致製造成本持續快速上升。很多工廠都面臨招工難、招工貴的難題。如何處理這個矛盾？我們說，需要藉助技術，提高人效比。
表面缺陷檢測
微億的質檢機入駐工廠之前，工件的表面缺陷需要靠質檢員用手翻轉工件、用眼睛檢查工件上的例如裂紋等缺陷。這一個工件檢查完畢後，再拿起下一個。質檢員的每一次處理工作，無法複用，只能枯燥地重複；
質檢機入駐工廠後，曾經的質檢員成為了標註員，將他們對錶面缺陷的認知透過工具轉化為深度學習的模型。這一批工件的缺陷標註完畢後，只要缺陷的定義不發生變化，質檢工作可以完全由質檢機自動化完成。
結果就是，人效比顯著提升。
微億智造質檢機為工廠降本增效
我們如何在浪潮之中順勢而為？
挑戰
深度學習在表面缺陷檢測任務中面臨的挑戰：
小樣本量快速啟動（客戶攤攤手：我就這麼多資料，你看著辦吧）
持續更新的缺陷定義（客戶搖搖頭：我們工藝就是會不斷升級的，缺陷檢不出來，你等著瞧吧）
原則
現場有神靈，信任現場工程師；
用工具將現場工程師武裝到牙齒；
量化目標指標，持續迭代最佳化。
策略
1）人最重要
我們的現場工程師，是一批資深的標註員，他們當中有些人曾經是工廠的質檢員。他們的職責是：訓練深度學習模型，部署到質檢機，並對模型的質量負責。
有人就會問了，這些現場工程師，不懂深度學習演算法的技術細節，可以對模型質量負責嗎？
我們的回答是，是可以的，而且必須由他們負責。
深度學習領域有個不成文的“二八原則”：對於理論比較成熟的領域，例如目標檢測，模型質量“二成靠演算法，八成靠資料”。標註資料的唯一用途是用於訓練深度學習模型。如何量化標註資料的質量？最直接有效的方式就是看由這批資料訓練而成的模型質量。
所以說，對模型質量負責的人，必須對標註資料質量負責；而如果寄希望於一個人只對標註數量負責，而卻對模型質量毫無理性認知，這種希望只會落空。因為他無法透過客觀的量化指標建立反饋機制，只能停留在對標註資料質量的感性認知階段，難以進入理性認知階段，更不用說主動地改造實踐，根據模型結果調整標註方式，提升模型質量了。
為標註資料質量評價建立閉環
2）打造工具
授之以魚不如授之以漁。我們將基於小樣本的快速迭代方法論沉澱為工具，並命名它為Lupinus。
自然界中，Lupinus在沙漠裡頑強生存，儘管生命短暫，只要些許雨水，就能開花結果，凋謝自己，孕育子孫；
工業現場，伴隨工藝變化，質檢需求頻繁更迭。Lupinus，讓所有明確缺陷檢出需求的人，可以快速生產深度學習模型。
Desert Lupinus
打造工具的人，各司其職，在各自的工作範疇不斷精進。在質檢專案中解決問題，沉澱方法，迭代工具；又用工具解決質檢專案中已處理過的問題，加快專案執行效率。至此，正向飛輪得以建立。
協同打造工具
3）研發可以真正最佳化指標的技術
技術是什麼？我們說，是可以複用的生產要素。有用的技術，可以客觀地最佳化量化指標。
我們定義核心量化指標為可以部署到質檢機的生產工時。基於生產工序對這個工時進行分解，可以明確哪些工時可以最佳化，以及最佳化的方向。
Lupinus技術點示意圖
我們如何在浪潮之中創新？
如果從原理出發已經做了充分論證，需要堅定地相信自己的工作。自信應該來自於嚴謹的論證，而不是若干專案的得失；
需要不怕失敗的勇氣，這個勇氣來源於自信，無論失敗或者成功都需要覆盤，持續迭代。要擁抱不確定性，沒有不確定性，也沒有太多機會；
和其他部門對齊認知，僅靠邏輯是不夠的，需要的是客觀的工作成果。
我們要持續創新，和各領域的同仁一道，給國家以底氣，保留完整的工業體系。從實力的地位出發，平視任何其他國家。
