2022暑期项目实训（二）

一、前期工作安排

6月21日召开组会进行分工安排后，考虑到大家的知识储备和对项目的了解有一定差别，为保证6月25日能够顺利完成计划任务，小组在6月22日晚再次召开组会，每位成员汇报自己当天的工作进度，进行汇总。开会研究后认为任务安排比较合理，各组都能在规定时间内完成任务，工作开始有序推进。

二、当前阶段进度

论文组&项目组：
在模型训练方面采用迁移学习，同时对yolo进行了学习。
分析了yolo v1，v2，v3算法的结构和特点，可发现v3更优秀。在《智能装配中基于yolo v3的工业零件识别算法研究》中了解到mish激活函数，以此改进yolo v3模型可提高识别准确度。
针对数据集较少的问题，提出几种数据增强方法：旋转、缩放、平移生成新的图片；通过高斯模糊和边缘检测提取图片的特征。简单了解了对边缘检测的Canny算法。

小程序组：
目前已经可以实现小程序选取图片、将图片发送到WEB服务器上、从WEB服务器上获取处理结果、展示结果，但尚未与后端连接。

模型优化组：
根据官方ppt和文档步骤，了解到基础的api使用步骤，成功运行了官方模型demo。

算法组：
算法组的工作最多，同时也负责对整个团队进行总体规划和分工安排。算法组的工作内容涵盖了web前端，论文阅读，数据预处理，数据增强，模型选择，模型训练等各个方面。目前模型的推理准确度和速度较好，下一步将部署到后端，同时继续寻找方案提升模型准确度。

三、下一阶段目标

下一阶段指6月27日至中期答辩前的一段时间，下述任务计划于中期答辩之前完成，并将具体工作内容记入中期答辩ppt。

论文组：
学习特征工程相关方法。

项目组：
整理近期的会议记录和开发日志；根据其他小组的需求绘制图表。

模型优化组：
学习、部署TF-Serving；尝试使用Intel优化现有模型。

小程序组：
连接后端，实现图片上传、检测结果及耗时的回传和展示。

算法组：
实现带有置信度的缺陷定位算法；进行一定的特征工程；开发前后端，实现单张和多张图片的检测；使用Tensorflow重构部分模块。