1. 课程导入
在自动驾驶、智能机器人、智慧交通与工业视觉等场景中，感知模型的能力上限往往并不只由网络结构决定，而是由训练数据的质量决定。标注数据是模型理解世界的“教材”，而质检工程则是保证这本教材准确、一致、可追溯的关键工序。本课程围绕2D图像标注与3D点云标注两大主线，系统讲解从标注规范、质检规则、抽检策略到工具链与度量体系的完整工程方法。
一、核心概念：标注、质检与感知数据
数据标注是把原始传感器数据转化为模型可学习监督信号的过程。2D标注通常面向摄像头图像，包括分类标签、矩形框、多边形分割、关键点与车道线等；3D标注面向激光雷达点云或多传感器融合数据，包括3D边界框、朝向角、速度、跟踪ID与可行驶区域等。
质检不是简单“再看一遍”，而是以规范为基准，对标注结果进行一致性、完整性、几何精度与语义正确性的系统验证。它包含规则校验、人工抽检、交叉复核、指标统计与问题闭环。质检的目标不是追求零缺陷，而是把缺陷率控制在模型可接受的阈值内，并让问题可定位、可追溯、可改进。
2D与3D质检的最大差异在于空间约束。2D标注在图像平面上判断遮挡、截断与边界贴合；3D标注必须在三维空间中判断尺寸、朝向、中心点与点云贴合度，并处理多帧跟踪一致性与传感器标定误差。因此，3D质检通常需要更强的几何校验与投影一致性检查。
二、整体框架：从规范到闭环
标注质检工程可以概括为“规范—生产—校验—度量—复盘”五段闭环。规范定义什么是合格标注；生产阶段由标注员按规范执行；校验阶段通过自动规则与人工抽检发现缺陷；度量阶段用缺陷率、一致性、返工率等指标量化质量；复盘阶段定位根因并更新规范与培训。
三、方法流程：质检如何落地
质检流程通常分为四步。第一步是规则前置：在标注工具中嵌入类别白名单、框尺寸范围、朝向角范围、点云点数下限等约束，减少低级错误。第二步是自动校验：用脚本批量检查空标注、越界框、重复ID、尺寸异常与投影偏差。第三步是人工抽检：按场景、类别、标注员分层抽样，重点检查难例与边界样本。第四步是仲裁与回流：对争议样本由资深质检员仲裁，并将缺陷样本回流到训练集与规范文档。
质检规则示例（伪配置）：
rules:
- name: bbox_size_check
type: 3d
min_length: 0.5
max_length: 25.0
action: reject
- name: projection_consistency
type: fusion
max_pixel_offset: 8
action: review
- name: track_id_unique
type: 3d
scope: frame_sequence
action: reject
四、案例与场景：质检价值在哪里
以城市道路自动驾驶为例，2D质检需要确认车辆、行人、骑行者与交通标志的框是否贴合，尤其要处理密集遮挡与夜间低照度场景。3D质检需要确认车辆3D框的朝向与点云主方向一致，避免“框住但朝向反了”导致预测轨迹错误。在多传感器融合场景中，还要检查2D框与3D框投影是否对齐，标定误差是否在允许范围内。
在工业质检场景中，2D分割标注用于缺陷区域提取，质检重点是边缘像素精度与漏标；在机器人抓取场景中，3D位姿标注用于估计物体姿态，质检重点是旋转矩阵正交性与对称物体歧义处理。不同场景的质检阈值不同，但共同原则是：规范可执行、缺陷可度量、问题可闭环。
| 质检维度 | 2D关注点 | 3D关注点 | 常用指标 |
|---|---|---|---|
| 几何精度 | 框贴合、分割边缘 | 尺寸、中心点、朝向角 | IoU、中心误差、角度误差 |
| 语义正确 | 类别、属性、遮挡 | 类别、可行驶区域 | 分类准确率、漏标率 |
| 时序一致 | 视频帧间稳定 | 跟踪ID连续、速度合理 | ID切换率、轨迹断裂率 |
| 融合一致 | 图像与点云投影对齐 | 标定误差、投影偏差 | 像素偏移、重投影误差 |
五、常见误区与复盘
复盘时应回答三个问题：缺陷集中在哪些场景与类别？是规范不清、培训不足还是工具约束缺失？改进后缺陷率是否下降？只有把质检数据转化为规范与培训的输入，质检工程才真正形成闭环。