1. Данные, данные и ещё раз данные. У тебя есть выборка на несколько тысяч (а лучше десятков тысяч) дефектов? А выборка "приемлемо чистых", т.е. с незначительными дефектами?
2. Допуски. Сколько допустимо пропущенных дефектов? На 100% даже не надейся, 90% уже будет подвигом. Аналогично, сколько допустимо "ложных тревог"?
3. Как обеспечить условия съёмки? Какую предобработку изображения делать? Что за данные в итоге будет получать модель, которую ты будешь использовать? На эти вопросы нужно ответить. Кривые данные на входе - и ни одна ML модель не справится.
4. Эксперименты с моделями на тему "кто лучше". Подбор гиперпараметров модели.
Ну и просто для представления, что за жесть внедрение CV на производстве.
Тоссим руду: очень неочевидная ИТ-задача
Что случается с металлоломом и зачем там хардкорное ИТ
Короче, про "кратчайшие сроки" лучше забыть, имхо.
Если б мне поставили такую задачу, я бы
уволился нафиг взял бы python-opencv для получения и предварительной обработки изображений, и tensorflow, если бы остановился в итоге на нейронках для анализа. Но это только потому что я другими инструментами не владею. =(
Ну и да, про "не углубляться в теорию" и "скопипастить половину кода" тоже забудь. С таким настроем лучше сразу на фриланс.