4. 深度学习检测任务类型解析

在MERLIC中落地深度学习视觉检测，第一步不是调参，而是判断“这个检测需求到底属于哪一类任务”。MERLIC把深度学习能力封装成若干可直接调用的工具，不同工具对应不同的任务类型、不同的标注方式和不同的输出结果。如果任务类型判断错了，后续的标注、训练和阈值设定都会走偏。本节围绕分类、目标检测、异常检测三类任务，说明它们在MERLIC中的对应工具、输入输出形式以及适用场景的边界。

三类任务的本质区别

分类任务回答的是“这张图整体属于哪一类”。它的输入是一整幅图像，输出是一个类别标签以及该类别的置信度分数。例如判断一个瓶盖是“合格”还是“有划痕”，判断一个零件是“A型号”还是“B型号”。分类不关心目标在图像中的位置，也不输出边界框，它只对整幅图给出一个整体判断。因此分类适合“一图一判定”的场景，图像中通常只有一个主要对象，或者多个对象但只需给出整体结论。

目标检测任务回答的是“图中有哪些目标、它们分别在哪里、属于哪一类”。它的输出是一组检测结果，每个结果包含类别标签、置信度和一个边界框（Bounding Box）坐标。例如在一幅装配图里同时找出多个螺丝、垫片和缺口，并分别给出它们的位置。目标检测适合一幅图中存在多个待检对象、且需要定位每一个对象的场景。它比分类多了一个“定位”维度，因此标注成本更高，需要为每个目标画框。

异常检测任务回答的是“这张图和正常样本相比，哪里不正常”。它通常只需要正常（OK）样本进行训练，学习正常样本的分布特征，推理时把偏离正常分布的区域标记为异常，并输出异常热力图或异常分数。异常检测适合缺陷形态多样、难以穷举、且缺陷样本稀少的场景，例如表面细微划痕、污点、纹理异常。它的优势是不需要为每种缺陷收集大量样本，劣势是对“正常”的定义依赖训练集覆盖度，且异常区域的具体类别往往无法直接给出。

MERLIC中的对应工具与输出形式

在MERLIC的工具箱中，这三类任务分别对应不同的深度学习工具。分类对应“Deep Learning Classification”类工具，典型输出是类别名称与置信度，可直接与MERLIC的判断逻辑（如阈值比较、条件分支）连接。目标检测对应“Deep Learning Object Detection”类工具，输出为检测到的对象列表，每个对象带有类别、置信度和边界框，可进一步用于测量、计数或位置判断。异常检测对应“Deep Learning Anomaly Detection”类工具，输出为异常分数和异常区域，通常配合阈值判断OK/NG。

需要特别注意的是，MERLIC的工具输出并不是终点，而是后续处理链的输入。分类的置信度可以送入条件判断，决定是否放行；目标检测的边界框可以送入测量工具，计算间距或角度；异常检测的异常分数可以送入阈值工具，输出最终判定。因此选择工具时，不仅要看任务类型，还要看后续需要什么样的数据形态。

适用场景的边界与选择依据

三类任务并非互斥，实际项目中经常需要组合使用。例如一个装配检测工位，可以先用目标检测找出所有零件的位置，再对每个零件区域裁剪后送入分类工具判断型号，最后用异常检测检查表面缺陷。但在单次任务选型时，应优先判断最核心的需求是什么。

如果需求是“整幅图给一个结论”，且图像中只有一个主要对象，分类是最直接的选择。它的标注成本最低，训练速度最快，推理输出最简单。但如果图像中有多个对象需要分别判断，分类就无法胜任，因为它不输出位置信息，无法区分“哪个对象不合格”。

如果需求是“找出所有目标并定位”，目标检测是唯一选择。它的标注需要为每个目标画边界框，工作量明显大于分类。在MERLIC中，目标检测的输出可以直接连接到测量工具，例如计算两个螺丝孔的中心距，或者统计某类元件的数量。需要注意的是，目标检测对小目标、密集目标、遮挡目标的检测效果受训练数据影响较大，标注时应保证每个目标都被完整框住。

如果需求是“发现任何不正常的地方”，且缺陷形态无法预先枚举，异常检测是最合适的。它只需要正常样本，不需要为每种缺陷收集样本，这在工业现场非常实用。但异常检测的输出是“偏离正常”的程度，而不是具体的缺陷类别。如果后续需要知道“这是划痕还是污点”，还需要额外分类或人工确认。此外，异常检测对训练集的“正常覆盖度”要求很高，如果训练集中没有包含某种正常变化（如光照波动、产品颜色差异），推理时可能误报。

MERLIC中的配置要点与判断逻辑

在MERLIC中配置这三类工具时，有几个共同的要点。第一是图像预处理：输入图像的分辨率、对比度、ROI区域会直接影响模型效果。分类和目标检测通常需要固定ROI，把无关背景裁掉；异常检测则要求训练和推理的图像条件尽量一致。第二是置信度阈值：分类和目标检测输出置信度，需要设定一个阈值来决定是否接受该结果。阈值过高会漏检，过低会误检，通常需要在验证集上调整。第三是结果后处理：MERLIC允许把工具输出连接到条件判断、测量、计数等后续工具，形成完整的检测链。

对于异常检测，还需要额外关注异常分数的阈值设定。异常分数本身是一个连续值，需要根据正常样本的分数分布和可接受的误报率来确定阈值。一个实用的做法是：先用一批正常样本推理，统计异常分数的均值和标准差，把阈值设在均值加若干倍标准差的位置，再根据实际误报情况微调。

三类任务的对比总结

理解这三类任务的差异，是后续在MERLIC中正确选择工具、准备数据和设定判断逻辑的基础。实际选型时，不要只看“哪个工具更先进”，而要看“哪个工具的输出形态最匹配我的检测需求”。分类、目标检测、异常检测各有其不可替代的适用边界，组合使用往往能覆盖更复杂的工业检测场景。