技术背景介绍：AI智能体视觉检测系统（TVA，全称为“Transformer-based Vision Agent”），即基于Transformer架构以及“因式智能体”创新理论的高精度视觉智能体，并非传统机器视觉软件或者早期AI视觉技术，而是一场关乎工业智能化转型和视觉检测范式的底层重构。在本质意义上，TVA属于一种复合概念，是指基于Transformer架构以及”因式智能体“理论（Factorized Reasoning Agent），融合深度强化学习（DRL）、卷积神经网络（CNN）、因式智能体算法（FRA）等人工智能技术，赋予AI智能体模拟人类视觉感知、推理、认知功能的一整套人工智能算法系统及工程技术体系。因此TVA系统的产业化落地，是我国制造业实现质量管理智能化以及生产效率大幅提升的关键。

（接上篇）

——TVA数据准备的完整流程

明确了数据的核心要求后，我们讲解数据准备的完整流程——从数据采集到数据增强，每一步都结合算法工程师的实操经验，给出具体的操作方法和注意事项，初级技术人员可直接套用。

1. 第一步：数据采集规划。在采集数据前，初级技术人员需配合算法工程师，明确采集需求，制定采集方案，避免盲目采集。采集方案需包含： 示例：采集PCB板样本的方案应明确：采集3个批次的PCB板，每个批次采集200张样本；涵盖强光、弱光、逆光3种光照场景，每种场景采集60张样本；缺陷类型包括虚焊、短路、元件缺失、线路划痕，每类缺陷采集100张样本；相机分辨率设置为1080P，曝光时间设置为0.1s，焦距固定为50mm。

   1. 采集对象（被检测产品的规格、批次）；

   2. 采集场景（不同光照、不同角度、不同工况）；

   3. 缺陷类型及数量要求；

   4. 采集参数（相机分辨率、曝光时间、焦距）；

   5. 采集时间和人员分工。

2. 第二步：样本采集实操。按照采集方案，在实际流水线上采集样本，重点注意以下几点：

   1. 确保采集设备正常，相机、光源、传输线缆连接稳定，采集前检查设备参数，确保与方案一致；

   2. 采集时，确保被检测产品处于正常检测位置，避免产品偏移、倾斜导致图像变形；

   3. 均匀采集不同场景、不同缺陷类型的样本，避免某类样本过多，某类样本过少；

   4. 采集过程中，实时查看图像质量，若出现模糊、反光、噪声过多等问题，及时调整设备参数，重新采集；

   5. 对采集的样本进行初步命名，命名格式为“产品规格-缺陷类型-工况-采集时间”（如“PCB-虚焊-强光-20260412-0900”），便于后续管理和查找。

3. 第三步：数据标注。标注是数据准备的核心环节，按照算法工程师制定的标注规范，使用AI智能体视觉检测系统（TVA）自带的标注工具，完成样本标注。实操步骤为：

   1. 导入采集的样本图像，核对图像名称和缺陷类型，确保无误；

   2. 选择对应的缺陷类型和缺陷等级，使用标注工具框选缺陷区域，框选时紧贴缺陷边缘，不包含多余背景；

   3. 标注完成后，保存标注文件，确保标注文件与样本图像一一对应；

   4. 自我复核，检查标注区域、缺陷类型、缺陷等级是否准确，删除标注错误、标注模糊的样本；

   5. 提交标注结果，由算法工程师进行二次审核，审核通过后，进入下一步。

4. 第四步：数据清洗。数据清洗的目的是去除“无效样本”，提升数据质量，减少算法优化的干扰。无效样本主要包括：模糊不清、缺陷无法识别的图像；标注错误、标注缺失、标注重复的样本；图像拉伸、压缩、变形的样本；背景干扰过大、无法区分缺陷与背景的样本；重复采集的样本。初级技术人员需逐一对标注后的样本进行筛选，具体操作如下：

   1. 自动筛选：利用AI智能体视觉检测系统（TVA）的自动筛选功能，设置模糊度阈值、标注完整性阈值，筛选出明显的无效样本（如模糊度超过阈值的图像、标注缺失的样本）；

   2. 人工复核：对自动筛选后的样本进行逐张查看，重点检查自动筛选未识别的模糊样本、标注不规范样本、图像变形样本；

   3. 样本修复：对部分存在轻微问题的样本（如轻微噪声、轻微反光），可通过图像预处理技巧（如去噪、增强）进行优化，保留有效样本；对标注错误的样本，进行修正后重新标注；

   4. 数据统计：清洗完成后，统计有效样本的数量和缺陷类型分布，确保每个缺陷类型、每个工况下的样本数量符合采集方案要求，若某类样本数量过少，需补充采集和标注。

5. 第五步：数据增强。数据增强是算法工程师常用的提升数据质量和多样性的技巧，通过对现有样本进行处理，生成更多不同形态的样本，提升算法的泛化能力，减少过拟合。初级技术人员需在算法工程师的指导下，完成数据增强操作，AI智能体视觉检测系统（TVA）自带数据增强工具，无需手动编程，重点掌握以下4种常用的增强方式： 数据增强完成后，需对增强后的样本进行再次审核，确保样本质量符合要求，标注信息准确无误，然后将增强后的样本与原始样本合并，形成完整的样本数据集，用于后续的算法优化和模型训练。

   1. 几何增强：对样本图像进行旋转、翻转、裁剪、缩放，生成不同角度、不同尺寸的样本，适用于所有缺陷类型。实操时，需注意旋转、翻转后，缺陷的特征不发生改变，裁剪时不遗漏缺陷区域。

   2. 光照增强：对样本图像进行亮度调整、对比度调整、色温调整，模拟不同光照条件下的样本，提升算法对光照变化的适应能力。实操时，需避免亮度调整过度，导致缺陷细节丢失。

   3. 噪声增强：在样本图像中添加少量高斯噪声、椒盐噪声，模拟实际采集过程中的噪声干扰，提升算法的抗干扰能力。实操时，需控制噪声强度，避免噪声过大导致缺陷无法识别。

   4. 缺陷增强：对缺陷区域进行轻微变形、平移，生成不同形态的缺陷样本，提升算法对缺陷变化的适应能力。实操时，需确保缺陷增强后，缺陷的核心特征不发生改变，避免生成与实际缺陷差异过大的样本。

6. 第六步：数据划分。将清洗、增强后的样本数据集，划分为训练集、验证集、测试集，三者的比例建议为7:2:1，各自的作用不同： 初级技术人员需在算法工程师的指导下，使用AI智能体视觉检测系统（TVA）的自动划分功能，完成数据划分，重点注意：数据划分需遵循“随机划分、分布均匀”的原则，确保训练集、验证集、测试集中的缺陷类型、工况分布与整体样本一致，避免某类缺陷只出现在训练集中，导致算法无法识别该类缺陷的未知样本。

   1. 训练集：用于算法学习缺陷特征，是算法优化的核心数据；

   2. 验证集：用于优化过程中实时评估算法性能，调整优化参数，避免过拟合；

   3. 测试集：用于优化完成后，全面评估算法的最终性能，验证算法的泛化能力。

在这里，我们结合一个实际案例，帮助初级技术人员巩固数据准备的实操技巧：某汽车零部件厂使用AI智能体视觉检测系统（TVA）检测发动机缸体的裂纹缺陷，初级技术人员按照上述流程进行数据准备，具体操作如下：

1. 采集规划：明确采集3个批次的发动机缸体，每个批次采集200张样本；涵盖强光、弱光、逆光3种光照场景，每种场景采集60张样本；裂纹缺陷分为轻微、中度、严重3个等级，每类等级采集100张样本；相机分辨率设置为4K，曝光时间设置为0.08s，使用同轴光源消除金属反光。

2. 样本采集：在流水线上采集样本，实时查看图像质量，调整相机参数，避免反光、模糊，对采集的样本进行规范命名，确保每个场景、每个缺陷等级的样本数量达标。

3. 数据标注：使用AI智能体视觉检测系统（TVA）标注工具，框选裂纹区域，标注缺陷类型为“裂纹”，明确标注缺陷等级，标注完成后自我复核，提交算法工程师审核。

4. 数据清洗：通过自动筛选和人工复核，删除12张模糊样本、8张标注错误样本，对6张存在轻微反光的样本进行去噪、增强处理，保留有效样本586张。

5. 数据增强：对有效样本进行几何增强（旋转、翻转、裁剪）、光照增强（亮度、对比度调整）、噪声增强，生成增强样本1172张，与原始样本合并，形成完整数据集1758张。

6. 数据划分：按照7:2:1的比例，将数据集划分为训练集1231张、验证集352张、测试集175张，确保各数据集的缺陷类型、等级、工况分布均匀。

数据准备完成后，算法工程师使用该数据集进行算法优化，最终将裂纹缺陷的漏检率从4.5%降至0.2%，检测精度大幅提升——这充分说明，高质量的数据准备，是AI智能体视觉检测系统（TVA）算法优化的基础，也是提升算法性能的关键。

最后，我们总结初级技术人员在数据准备中常见的问题及解决方法，帮助大家规避错误，提升数据质量：

• 常见问题1：样本覆盖不全，某类缺陷或工况的样本缺失。解决方法：对照采集方案，补充缺失的样本，确保每个缺陷类型、每个工况下的样本数量达标；若无法补充采集，可通过数据增强的方式，生成相关样本。

• 常见问题2：标注错误、标注不规范，导致AI智能体视觉检测系统（TVA）算法学习偏差。解决方法：严格按照标注规范进行标注，标注完成后进行自我复核和工程师审核；对标注错误的样本，及时修正；多名标注人员协作时，统一标注标准，定期核对。

• 常见问题3：样本图像模糊、反光、噪声过多，影响算法特征提取。解决方法：采集时调整相机参数、优化光照条件，确保图像清晰；对存在轻微问题的样本，通过预处理进行优化；模糊、噪声过多无法修复的样本，直接删除。

• 常见问题4：数据增强过度，导致样本与实际场景差异过大。解决方法：在算法工程师的指导下，控制数据增强的强度，确保增强后的样本保留缺陷的核心特征，与实际场景高度适配；增强后对样本进行审核，删除不符合要求的样本。

作为初级技术人员，做好数据准备，不仅能为算法优化提供有力支撑，还能减少后续调参的工作量，提升优化效率。后续文章，我们将讲解图像预处理参数的优化技巧，这是算法工程师优化AI智能体视觉检测系统（TVA）算法的核心手段之一，也是初级技术人员日常实操中最常接触的优化工作。