家裡有種水蜜桃，大學讀電機時就有想要自動化包裝水蜜桃的工作，因為這個任務真的很麻煩，每一顆都是那麼嬌貴，然後被蚊蟲叮咬的痕跡又只有那麼一點點。
不過哪怕學了AI，自動包裝水蜜桃這件是看起來也是遙遙無期。今天來陳述一下原因，順便科普瑕疵檢測的專案如何進行。
「瑕疵檢測的專案是如何進行的」
瑕疵檢測在AI上的的目標，是對待測物的影像進行物件偵測(或有時候是語意分割)，偵測是否包含瑕疵。
現在主流的實現方式大概是VGG16、MobileNetV3，或是比較輕量的YoloV3或MobileSSD這幾種模型吧。
但要訓練一個模型很容易，隨便一個國中生丟給我，我4個小時之內一定能讓他自己train自己的玩具，現在API太多太方便了。但要在測試時能夠順利通關卻是相當不容易。尤其是在瑕疵檢測的專案上。
「為什麼瑕疵檢測在測試的時候不會過關？」
是這樣的，待測物通常我們會讓他拍的非常清晰，但即使如此，瑕疵依然是非常小的。但有賴於偉大的LeCun大神發現了CNN這個方法，我們可以很有效的萃取出瑕疵的特徵，只要畫質清晰沒有太多噪點(或者用濾波器濾除噪點)，基本上人眼看的出來的瑕疵，用上述模型幾乎都能。
但測試的時候不一樣。
訓練的時候，我們是把電腦中的影像丟進去模型訓練，通常驗證也是。但測試時，我們需要重新拍一張照片，再讓模型去驗證，但這時候的光線或環境可能與收集訓練資料時不同，這時候哪怕是微小的光影變化，也會大幅影響CNN的判別。因為這是他沒遇到過的情況。
所以做瑕疵檢測時，創造一個光源穩定的環境非常非常重要。
「那有了光源穩定的環境就可以辨識水蜜桃的瑕疵嗎？」
老實說水蜜桃的瑕疵很好辨認，黑溜溜的，跟粉紅色的外皮截然不同，但問題不再於辨識。最大的問題在於，要如何自動的輸送水蜜桃，水蜜桃不同於福壽或紅玉，他是非常柔軟的，你當然可以把它放在鋪了海綿的輸送帶上，但你要怎麼把它放上去？
用手？那你手拿起來的時候順便看一下不就好了？
所以我們還需要一個可以拿起水蜜桃，而不會對水蜜桃造成傷害的機械手臂或其他機構，這還是相當困難，而且價格不斐。
這就是瑕疵檢測專案最大的難點。
通常，瑕疵檢測實現的難度都不在於AI(也許收集、標記資料會是個負擔)，而是機構。感測器要裝在哪裡，攝影機要在哪裡拍攝，光源如何控制，發現瑕疵後如何處理……很容易就想像到一籮筐的問題。
所以一個AI專案，考慮的永遠不只是AI。或者說，AI專案，也許應該是由AI找出痛點而後開始的專案。
