INDUSTRIAL VISION / DATA ENGINEERING
缺陷合成之前，
先把真实数据量清楚。
DefectForge 把织物缺陷数据从文件名、掩码、几何到对比度逐层盘点，让每一个生成参数都能追溯到真实样本，而不是凭肉眼和经验猜测。
CONTRAST TRACEz-score
Measured geometryMeasured contrastAuditable masks
01 / DATA INVENTORY
先证明数据可用，再开始训练。
正在检查本地盘点结果…
CURRENT MODE
Methodology ready
站点已就绪，等待运行盘点脚本。没有真实输出时，不展示推测数量。
python scripts/inventory.py --raw data/raw_aitex --out outputs/inventory.json
02 / PIPELINE
从原始目录到可验证实验。
每一步都生成可检查的中间结果。
文件与配对完整性
解析缺陷图、良品图和掩码命名，标记缺掩码、孤儿掩码、多分片与不可读文件。
几何与视觉强度
按实例统计边界框、面积占比、长宽比、方向性，以及相对周围纹理的对比度 z-score。
用真实分布约束生成
合成画布、缩放、宿主织物与缺陷强度来自训练数据分布，不从测试集偷取参数。
把失败也记录下来
比较真实与合成分布，保留配置、随机种子和审计结果，让异常可以被复现。
03 / OPERATING PRINCIPLES
肉眼“看起来像”，
不是质量标准。
- 01
训练边界优先所有宿主与 donor 只来自训练集，测试集不参与参数选择。
- 02
真实分布优先尺寸、方向与强度需要落在对应缺陷类别的可解释范围内。
- 03
可追溯优先每个生成样本都关联源图、掩码、配置与随机种子。