3. 工业数据标注体系

在工业视觉项目中，模型上限往往不由网络结构决定，而由标注体系决定。标注不是“把缺陷框出来”这么简单，它同时承担三件事：把缺陷定义转成可判定的类别体系，把像素级边界转成可训练的分割掩码，把多人协作转成可度量的一致性。若这三件事没有工程化，后续训练、评估、部署都会反复返工。

一、缺陷分类与分割标注规范

标注规范的第一层是缺陷分类体系。工业缺陷通常按“形态+成因+严重度”三维定义。例如某金属表面检测项目，缺陷类别可定义为：划痕（线性、深度浅）、凹坑（圆形、局部凹陷）、氧化斑（不规则、颜色偏暗）、异物（凸起、边界清晰）、裂纹（细长、分叉、高风险）。每个类别必须给出判定边界：最小可标尺寸、是否允许合并、是否允许跨区域、是否允许模糊样本。例如规定“长度≥0.3mm的划痕必须标注；长度<0.3mm且不影响功能的不标；两条划痕间距<0.1mm时合并为一个标注”。这些阈值不是拍脑袋，而是来自成像分辨率与客户验收标准。

第二层是分割标注规范。分类标注只需类别标签，分割标注需要像素级掩码。工业场景中，掩码质量直接影响面积、周长、圆度等几何特征的计算。规范应明确：边界按“可见边缘”还是“物理边缘”标注；遮挡区域是否外推；反光区域是否视为缺陷；掩码是否允许孔洞。例如对凹坑分割，规定“以灰度梯度最大处为边界，反光高光区域不纳入掩码，但若高光位于凹坑内部则按圆形外推补齐”。同时要规定标注格式：类别ID、掩码颜色、实例是否分离、是否允许重叠。常用格式包括COCO JSON、Pascal VOC XML、LabelMe JSON以及工业界常见的掩码PNG+类别索引图。

二、标注工具选型与定制

工业标注工具选型不能只看“能不能画框”。核心需求包括：支持多边形/笔刷/掩码编辑、支持多类别与实例分离、支持快捷键与批量操作、支持预标注导入、支持权限与任务分发、支持导出训练格式。通用工具如LabelMe、CVAT、Label Studio适合快速启动；但工业场景常需定制，例如：与MES/PLC数据关联、按批次号筛选图像、缺陷类别随产线切换、标注结果自动回传训练平台。

定制方向通常有三类：交互定制（快捷键、放大镜、边缘吸附、半自动分割）、数据定制（图像元数据、批次、工位、光照条件）、流程定制（任务分配、审核、返工、版本管理）。例如在CVAT中可通过Django插件扩展“按批次号自动分组”，在Label Studio中可用Python SDK预填预标注结果，把模型预测的掩码作为初始值，标注员只需修正，效率可提升30%～50%。

三、多人协同与一致性校验

多人协同的核心不是“分任务”，而是“可度量的一致性”。常用做法是：每批任务中插入重叠样本（如10%～20%），由2～3名标注员独立标注，计算一致性指标。分类任务用Cohen's Kappa或Fleiss' Kappa；分割任务用IoU（交并比）或Dice系数。例如规定：同一缺陷掩码IoU≥0.85为一致，0.7～0.85为需复核，<0.7为不一致需仲裁。

一致性校验要形成闭环：计算指标→定位分歧类别→回溯规范→更新图例→重新培训。常见分歧来源包括：边界定义模糊、小目标漏标、类别混淆（划痕vs裂纹）、遮挡处理不一致。建议每周输出一致性报告，按类别、按标注员、按批次统计IoU均值与分歧率，对持续低于阈值的标注员进行专项复训。

四、标注质量评估与返工流程

质量评估不能只靠“感觉标得对”。建议建立三层指标：完整性（漏标率、误标率）、准确性（类别正确率、边界IoU）、一致性（多人Kappa/IoU）。抽检比例通常为5%～10%，高风险类别可提高到20%。抽检由资深标注员或算法工程师执行，发现错误后生成返工任务单，字段包括：图像ID、缺陷ID、错误类型、期望修正、责任人、截止时间、复检结果。

返工流程要区分“个体返工”与“系统性返工”。个体返工只修正单张图像；系统性返工则需回溯规范，例如发现某批次凹坑边界普遍偏大，说明规范中“反光外推”定义不清，应更新图例并重新培训全体标注员。返工完成后必须版本冻结：数据集版本号、标注规范版本号、工具配置版本号三者绑定，确保训练可追溯。

五、可直接使用的标注质量检查表

把上述规范、工具、协同、质量四层串起来，标注体系才真正成为数据闭环的入口。下一阶段训练与评估所依赖的标签质量，正是在这里被决定的。