前言
第三次实验。本次实验主要对正例进行了优化。此次笔者拍摄的螺丝都是躺着的姿态，没有竖着的，因此竖着的螺丝是检测不到的。而且，笔者进一步精确裁剪了螺丝区域，使得干扰部分减少，横宽比为40X25。数据量基本没变，正样本为236，负样本为1000。
结果
此次结果比上次好，在白色和纯色桌子为背景的地方基本都能检测到，误报率也降低了，但仍然没有达到工程要求。还要进一步降低误报率。
--------2020.12.17--------
第四次，训练文件cascade_bolt_4
295个正例，每个螺丝姿态都是躺着的，转角都是锐角
1500个负例子，但大部分例子都是网上下载的，螺丝识别场景下的负样本很少
结果
过拟合了
凡是躺着的且转角都是锐角的螺丝都被识别到了，躺着的但角度近乎垂直的没有被识别到（针对每一种姿态训练一个分类器？）
背景中，很多不是螺丝的部分也被误认为是螺丝，因为螺丝识别的场景图片太少？
-----2020.12.20-------
第五次实验
负样本数据全为螺丝识别的场景图片，拍摄150张，通过变换产生了1100张。
正样本用了第四次实验的正样本，训练轮数12轮，误检率改为了0.3
结果
误识别率变的更高了
-------2020.12.21--------
将级联器个数设置为17个，重新训练，得到cascade_bolt_5(17)文件
效果没有改善多少
----2020.12.21-----------
第六次实验
这一次实验了一下createsample程序的一个自动生成正样本的功能，随机选了一张螺丝图片，以背景文件为模板，通过扭曲生成了1000张正样本，负样本扩充到了2000，900张是螺丝识别场景下的图片，其余的都是和识别场景关系不大的负样本图片
级联器数量设置为12个。，numpos设置成900，numneg设置成3000，训练文件保存在auto_cascade文件夹中,文件名为cascade_bolt_5(auto)
结果
误检率高到离谱，还是得自己拍照制作正样本
-------2020.12.21--------
正样本使用拍照采集的数据，共860张，负样本一样还是2000，numpos720，negpos3000，级联器数量12,
结果，训练到第九个级联器时就停止了，误检率依然高到离谱，文件名为cascade_bolt_6
将numneg改为2000，级联器设置为10个，重新训练，没有提前停止，生成文件cascade_bolt_6（10）
结果，误检率依然很高
-------2020.12.22---------
将级联器数量改为15，继续训练，生成文件cascade_bolt_6（15）
-----2020.12.22-------
为了验证一下是不是用级联分类器识别不出螺丝，笔者从网上找了一个羽毛球训练例子，正样本800，负样本3000，级联器数量10个，numpos720，numneg3000.
结果
误检率很高
将级联器数量提高到15个
误检率很低，但检测率也很低，基本没检测出来
级联器数量降低到13个，误检率提高了一点点，但依然没检测出来羽毛球
--------2020.12.23-------
老师验收成果，看我还没弄出来，叫我换个方法做，就用传统的阈值分割就可以了。这个就先暂时搁置一下，后面空闲了继续研究。
所有的数据可以在我的GitHub上找到
各位可以点个赞关注一下
相关数据