在线瑕疵检测中常用的数据预处理技术主要包括以下几种：
1. 数据清洗：
去除重复数据，确保数据集的唯一性和准确性。
处理缺失值，通过填充、删除或插值等方法，保证数据的完整性。
识别并修正错误值或异常值，提高数据的质量。
2. 数据转换：
数值化，将分类变量转换为数值变量，以便模型可以处理。
标准化，将数据按照一定的标准进行缩放，消除不同量纲的影响，使得数据具有可比性。
归一化，将数值缩放到一定的范围内，避免过大或过小的值对模型造成影响。
3. 特征选择与提取：
从原始数据中选择最相关的特征，以减少维度和提高模型性能。这一步骤有助于去除不相关或冗余的特征，提高模型的准确性和效率。
这些数据预处理技术的主要目的是提高数据的质量、可用性和适用性，确保后续分析和建模的准确性和有效性。通过数据预处理，可以消除原始数据中的噪音、错误和不一致性，使数据更具可解释性，降低模型训练的难度，提高模型的性能。
在实际应用中，根据在线瑕疵检测的具体需求和数据特点，可能会选择不同的数据预处理技术组合，以达到最佳的效果。
