在工业质检、纺织服装、材料科学等领域，基于视觉的疵点检测与标注是训练高质量AI模型的关键步骤。然而，实际生产环境中遇到的疵点千变万化，远非理想实验室条件下的标准图像可比。面对褶皱上的疵点、复杂纹理背景、低对比度目标、跨区域大面积疵点以及重叠遮挡的疵点等特殊场景，标注员常常感到无从下手，标注的一致性与准确性面临巨大挑战。
本文旨在系统梳理这些“难标”场景，并提供一套行之有效的标注技巧与规则，帮助标注团队提升效率、保证质量，为后续的模型训练打下坚实的数据基础。
1. 褶皱上的疵点怎么标？面料纹理干扰的标注技巧
面料上的褶皱会产生强烈的阴影和明暗变化，形成类似疵点的视觉干扰，给标注带来困难。
核心原则：区分纹理与缺陷，关注形态与连续性。
标注技巧：
- 放大观察：将图像放大至能清晰分辨织物经纬线和疵点边缘。真正的疵点（如破洞、油污）通常会破坏织物纤维的连续结构，而褶皱阴影的纹理是连续的。
- 多角度对比：如果有多张同部位、不同状态（如拉平后）的图片，进行对比判断。
- 标注关键特征：
- 精准勾勒：沿疵点的真实边缘进行标注，即使它穿过褶皱的阴影区域。避免将褶皱的阴影部分纳入标注框。
- 使用多边形标注：对于不规则形状的疵点，矩形框会包含过多背景噪音，建议使用多边形（Polygon）工具进行精细勾勒。
- 添加属性标签：为标注框添加“位于褶皱区域”的属性，提醒算法开发人员注意此类难例。
2. 复杂纹理背景下的标注方法
格纹、条纹、提花、牛仔面料等都具有复杂的背景纹理，容易淹没细小的疵点。
核心原则：利用先验知识，聚焦异常模式。
标注技巧：
- 理解纹理周期：先花时间观察背景纹理的重复规律（如格子大小、条纹间隔）。疵点通常表现为对这种规律性的破坏。
- 通道分离观察：尝试在RGB不同通道或转为灰度图、HSV空间观察，有时疵点在特定颜色通道上对比度更高。
- 边缘检测辅助：使用图像处理软件（或标注平台的高级功能）进行边缘检测，真正的疵点边缘往往与规则纹理边缘在方向和强度上不同。
- 标注一致性：确保同一种纹理背景上的同类疵点，标注的严格程度和方式保持一致。
3. 深色面料上的线头，低对比度疵点的标注方案
深色背景上的深色疵点（如黑布上的黑线头），或浅色背景上的浅色疵点，对比度极低，人眼难以分辨。
核心原则：增强视觉线索，依赖触觉或设备辅助。
标注技巧：
- 图像增强预处理：
- 调整对比度与亮度：大幅提高对比度，直到疵点隐约可见。
- 局部直方图均衡化（CLAHE）：此方法能有效增强局部对比度，尤其适用于光照不均的图像。
- 使用高通滤波器：突出图像中的边缘和细节。
- 多光源参考：如果存在不同角度、不同波长的光源（如侧光、紫外光）拍摄的图片，交叉参考进行判断。
- 物理确认：对于极其困难的案例，标注员应记录下坐标，由质检人员实物复核确认，并将结果反馈回标注数据，作为“金标准”。
- 标注说明：对此类标注，务必在数据集的说明文档中记录其低对比度特性，属于“困难样本”。
4. 疵点跨了三个区域，画一个框还是多个框？大面积疵点的标注规则
当一个疵点（如一条长划痕、一片污渍）连续覆盖了图像中多个不同的逻辑区域时，标注策略取决于下游任务的需求。
核心原则：以任务目标为导向，平衡标注效率与信息粒度。
标注方案：
| 下游任务需求 | 推荐方案 | 说明 |
|---|---|---|
| 只需判断“有/无”疵点 | 一个大的矩形框 | 标注效率最高，能快速定位疵点存在区域。 |
| 需要统计疵点数量 | 一个整体多边形 | 将整个连续疵点标为一个实例，避免被误计为多个。 |
| 需要分析疵点在不同区域的特征 | 按区域分多个框/多边形 | 例如，划痕在区域A是深色的，在区域B是浅色的，分开标注能提供更细粒度信息。 |
| 区域本身是重要分类特征 | 分多个框，并关联区域标签 | 例如，在“手机外壳质检”中，需明确划痕是在“玻璃屏”、“中框”还是“背板”上。 |
对于超大面积疵点（如覆盖图片50%以上）：
- 如果该疵点本身就是检测目标（如大面积污损），应正常标注。
- 如果因疵点过大导致有效背景信息不足，这张图片可能被视为“无效样本”，需根据项目规范决定是标注还是废弃。
5. 叠在一起的疵点怎么标？遮挡情况下的标注方案
多个疵点物理上堆叠或被遮挡，导致部分不可见。
核心原则：标可见部分，推演完整形状，明确标注关系。
标注技巧：
- 部分遮挡：
- 只标注可见部分的精确形状。
- 如果可以根据上下文（如同类疵点的常见形状）合理推断被遮挡部分的轮廓，可以用虚线或低置信度标签示意性补全，并注明“部分推断”。
- 完全重叠：
- 如果多个同类别疵点完全重叠无法区分，标注为一个实例。
- 如果重叠的是不同类别疵点（如油污上粘着线头），且能通过颜色、纹理区分层叠关系，应尝试分层标注，并添加“重叠”关系标签。
- 使用关系标注：高级标注工具支持标注“遮挡”、“重叠”、“属于同一物体”等关系。明确记录疵点之间的空间关系，对模型理解复杂场景至关重要。
- 3D/多视角数据：如果有多视角图像，结合多个视图的信息来还原被遮挡部分的真实形状。
特殊场景的疵点标注是对标注员经验、耐心和判断力的综合考验。建立清晰的标注规范文档和定期培训与校准机制至关重要。对于极端困难的案例，应设立专家仲裁流程，避免个人主观差异影响数据质量。
最终，高质量的特殊场景标注数据，将是提升AI模型在真实复杂环境中鲁棒性和泛化能力的宝贵资产。在标注时多思考一步“模型需要从这个标注中学到什么”，能帮助我们做出更优的标注决策。
