整理结果和文档

README.md

@@ -21,7 +21,15 @@
 
 
 ## 训练的原理
-为了应对工业环境当中负样本少的特点，我们结合颜色有限空间的特性对我们的训练过程进行了优化，核心的优化方式在于制造负样本
+为了应对工业环境当中负样本少的特点，我们结合颜色有限空间的特性对我们的训练过程进行了优化，核心的优化方式在于制造负样本。
+
+### 传统的负样本是怎么来的？
+
+传统方法中，我们通过收集负样本，得到这样的结果：
+
+![image-20220721170840283](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721170840283.png)
+
+这张图里，负样本是紫色、红色和绿色区域，正样本则是蓝色区域。如果用这样的数据进行训练，我们得到的模型一定是欠约束的，因为我们不知道没有负样本的区域上，模型到底会表现出怎样的结果，所有我们想到，去手动制造负样本。
 
 ### 负样本是怎么造出来的？
 
@@ -29,27 +37,34 @@
 
 ### 训练的结果
 
-这样子进行训练，模型就会被约束在我们给定的样本范围内，就像你看到的这样。
+添加负样本后进行训练，模型就会被约束在我们给定的样本范围内，就像下图看到的这样。
 
 ![image-20220721153751824](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721153751824.png)
 
-在这里，绿色就是目标的色彩范围，橙色的和蓝色则表明了模型的判定范围，模型认为蓝色的区域就是烟梗，而橙色的区域就不是烟梗。
+在这里，绿色就是目标（烟梗）的色彩范围，橙色的和蓝色则表明了模型的判定范围，模型认为蓝色的区域就是烟梗，而橙色的区域就不是烟梗。
 
 可以看到，蓝色区域与绿色区域是高度重叠的，并且蓝色比绿色区域要大一些的，这正是我们想要的效果。这表明模型对于烟梗的颜色有适度的宽容，允许色彩有一定的偏差，但大体上是要达到烟梗颜色范围内的。
 
 这样的好处在于，即使出现了新的杂质，只要这些杂质的色彩不在模型的宽容范围内（蓝色范围内），那么都会被判定为杂质。
 
+我们甚至可以直接将需要的目标色彩(烟梗的颜色)和背景的颜色直接合并到一类，这样还可以节省后续的各种逻辑判断、与、或、非等操作。
+
 ## 预测过程的后处理（异色问题）
 
 ### 问题的发现
 
 ![image-20220721154731187](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721154731187.png)
 
-在摄影过程中，由于相机、镜头和拍摄物体多方面的原因会出现色散边的现象，就像上图这样本来应该黄色的烟梗，边缘却变成了绿色或紫色的。
+在摄影过程中，由于相机、镜头和拍摄物体多方面的原因会出现色散边的现象，就像上图这样本来应该黄色的烟梗，边缘却变成了暗绿色或紫色的。
 
 这是由于不同波长的光折射率不同，到达成像单元的位置会出现细小的偏差，而我们的成像单元又比较的细小，举例来说，这可能使得物体上同样的点发出的红光到了1号像素，而发出的绿光本来应该也射到1号像素却射到了相邻的2号像素，这就导致色彩不对了。
 
-根据资料，一般的解决方案是对于不同波长的光进行折射率补偿，使用抗色散镜头。
+根据资料，一般的解决方案是对于不同波长的光进行折射率补偿，使用抗色散镜头。但是由于条件有限，我们这里就只能用算法的形式硬抗这些误差了。
+
+### 解决方案
+
+- 一方面，用像素块的结果进行求和，像素块求和结果大于阈值的时候判定为杂质，这个方案目前正在使用，可以有效去除小块的错误识别点，也不会因为腐蚀操作导致缺损。
+- 另一方面，进行烟梗结果的膨胀，去掉紫边。这个方案待开发。
 
 ## 镜头的影响
 
@@ -58,12 +73,34 @@
 | 视角     |                           广角镜头                           |                           窄角镜头                           |
 | -------- | :----------------------------------------------------------: | :----------------------------------------------------------: |
 | 普通视角 | ![image-20220721155919349](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721155919349.png) | ![image-20220721155848160](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721155848160.png) |
+| 放大视角 | ![image-20220721161109746](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721161109746.png) | ![image-20220721161117435](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721161117435.png) |
 
-但是由于条件有限，我们这里就只能用算法的形式硬抗这些误差了。
+可以看到，镜头的影响有两方面
 
+- 镜头会影响到物体的亮度，广角镜头下的物体看起来更暗
+- 镜头会影响到物体的色彩显示，广角镜头下物体的色彩相比于窄角镜头的色彩饱和度要差很多，色相也更加不明显。
 
+综合这两点来看，在条件允许的情况下应该选择窄角镜头。
+
+但是我们这里的传送带非常宽，我们也只有1个相机，不像陶朗一样一条线有29个相机，或者合肥的一条线4～8个相机，所以我们只能冒险试试了。
+
+尝试的结果很糟糕，可以看到如下图所示：
+
+![image-20220721164306227](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721164306227.png)
+
+几乎所有的烟梗都被当成了杂质。
+
+为了探究这个问题，我们回到色彩空间中进行观察，可以看到这样的结果：
+
+![image-20220721164406435](https://raw.githubusercontent.com/Karllzy/imagebed/main/img/image-20220721164406435.png)
+
+在新的镜头下，数据的分布和原本的数据已经发生了巨大的变化，根本就不是同一种东西，这就是为什么分类结果会出错了。
 
 ## 模型的更新
 
 ### 如何应对新的目标物？
 
+我们可以认为镜头的更换会直接让色彩发生特别离谱的变化，如果出现这样的情况，我们应该直接抛弃旧的数据，训练新的模型。这样也能获得相对不错的分类结果。
+
+**所以我们今天晚上要丢弃旧的数据，进行这个新的模型的训练**。
+