尧图网站建设 
简介这份PDF面向工业视觉检测方向的研究者与工程技术人员聚焦工件表面缺陷检测的准确率提升问题属于深度学习与机器视觉交叉的进阶学习资料。资源共1个文件为1.24MB的PDF文档内容完整呈现一篇学术论文涵盖摘要、引言、卷积神经网络原理、改进分割网络模型、决策模块设计及实验验证等章节便于系统研读与引用。论文提出优化分割模块中的卷积层与卷积核大小以下采样最大池化替代大步长卷积并在决策模块中调整卷积层与池化层以获取更多输出神经元和工件特征实验准确率达到99.4%优于DeepLabv3与U-Net等现有方法。目前已有271人学习适合从事缺陷检测、图像分割或数据建模的读者参考其网络改进思路与实验设计也可作为相关课题的文献支撑。1. 从一张划痕图片说起工件表面缺陷检测为什么绕不开卷积神经网络产线上一个金属壳体表面有一道 0.2mm 宽的划痕人眼在特定角度下才能看见质检员盯了八小时之后漏检率会明显上升。传统机器视觉的做法是先做阈值分割、边缘提取、形态学运算再拿面积、周长、圆度这些手工特征去卡规则。问题是划痕的灰度对比度随光照变化毛刺和油污又长得像缺陷规则越堆越多维护成本直线上升换一个工件型号就得重调一遍参数。卷积神经网络CNN改变的正是这件事它不再让人去描述“缺陷长什么样”而是让网络从标注样本里自己学出对划痕、凹坑、脏污有区分度的特征。工件表面缺陷检测这个任务本质上是小目标、低对比度、类别不均衡的图像分类或分割问题CNN 的局部感受野和权值共享恰好匹配这类纹理型缺陷。这篇内容面向已经会写 Python、想把这套方法真正落到产线上的工程师从数据、网络结构、训练参数一路讲到推理部署和误检排查中间给的都是能直接抄的命令和代码。2. 工件表面缺陷检测的数据准备与 CNN 输入规范2.1 缺陷样本采集与标注的工程约束工业场景的数据和公开数据集差别很大。常见做法是固定相机、镜头、光源把工位做成一个暗箱先保证成像稳定再谈模型。采集时要注意三件事一是覆盖缺陷的形态分布同一类划痕要有不同方向、不同长度二是采集一定量的负样本也就是无缺陷图否则模型会把正常纹理也判成缺陷三是记录采集参数光源亮度、曝光时间变了模型分布就漂移了。标注格式上分类任务按文件夹分目录即可检测任务常用 VOC XML 或 COCO JSON。工件缺陷往往很小标注框要贴紧缺陷边缘不要留太多背景否则回归分支学不准。一个容易被忽略的点是标注一致性同一道划痕两个标注员画的框可能差十几个像素训练前最好做一次交叉复核。提示缺陷样本通常远少于正常样本先统计各类别数量再决定后面用哪种采样或损失函数策略不要上来就训练。2.2 用 PyTorch 搭一个可复现的数据管道下面这段代码把缺陷图读进来、做归一化和数据增强输出固定尺寸的张量。工件表面缺陷检测里常用的增强是随机旋转、随机亮度、轻微高斯噪声不要用大幅度的裁剪和透视变换那会破坏缺陷的几何形态。import torch from torch.utils.data import Dataset, DataLoader from torchvision import transforms from PIL import Image import os class DefectDataset(Dataset): def __init__(self, root, img_size224, trainTrue): self.samples [] self.classes sorted(os.listdir(root)) for idx, cls in enumerate(self.classes): cls_dir os.path.join(root, cls) for name in os.listdir(cls_dir): self.samples.append((os.path.join(cls_dir, name), idx)) # 训练集做增强验证集只做缩放和归一化 if train: self.tf transforms.Compose([ transforms.Resize((img_size, img_size)), transforms.RandomRotation(15), # 缺陷方向随机 transforms.ColorJitter(brightness0.2), # 模拟光照波动 transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ]) else: self.tf transforms.Compose([ transforms.Resize((img_size, img_size)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ]) def __len__(self): return len(self.samples) def __getitem__(self, i): path, label self.samples[i] img Image.open(path).convert(RGB) return self.tf(img), label loader DataLoader(DefectDataset(./data/train, trainTrue), batch_size32, shuffleTrue, num_workers4)逻辑说明DefectDataset按类别子目录自动生成标签省去手写标签文件。RandomRotation(15)对应缺陷方向的不确定性ColorJitter对应产线光照波动。归一化用的均值方差是 ImageNet 统计值如果从零训练可以换成自己数据集的统计值迁移学习则保持默认。参数说明img_size决定输入分辨率缺陷越小这个值要越大224 适合缺陷占图面积 5% 以上的情况更小的缺陷建议 512 或做切图。batch_size受显存限制32 是 8GB 显存的稳妥值。num_workers设成 CPU 核数的 2 到 4 倍IO 瓶颈时能明显提速。2.3 输入尺寸、通道数与归一化的取舍参数常见取值适用场景代价输入分辨率224 / 512 / 1024缺陷占比大 / 中等 / 极小显存与推理耗时上升通道数3RGB/ 1灰度彩色缺陷 / 纯纹理缺陷灰度省显存但丢颜色信息归一化ImageNet 均值方差迁移学习从零训练时不一定最优批大小16 / 32 / 64小显存 / 常规 / 大显存过大影响泛化灰度输入在纯划痕检测里很常见因为颜色往往是干扰。但如果缺陷类型包含锈斑、变色这类颜色相关缺陷就必须保留三通道。归一化这一步不要省它让不同批次图片的亮度分布对齐是训练稳定的前提。3. CNN 网络结构选型从 LeNet-5 到残差网络怎么选3.1 卷积、池化、感受野三个概念在缺陷检测里的意义卷积层用一个小窗口在图上滑动每个位置做加权求和权重在整个图上共享。这个共享带来两个好处参数量与图像大小无关且平移不变性让缺陷出现在哪个位置都能被识别。池化层做下采样扩大后续层的感受野同时带来一定的形变容忍度。感受野指的是某一层输出上的一个点对应原图多大区域缺陷检测里它直接决定网络能不能“看全”一个缺陷。工件表面缺陷检测的难点在于缺陷尺度跨度大有的划痕细长有的凹坑成片。如果感受野太小网络只能看到划痕的局部学不到整体形状感受野太大小缺陷又被背景淹没。常见做法是用多尺度特征融合或者在骨干网络后接特征金字塔。3.2 LeNet-5 结构复现与它为什么不够用LeNet-5 是最经典的入门结构两层卷积加三层全连接输入 32×32。把它复现出来有助于理解 CNN 的基本堆叠方式。import torch.nn as nn class LeNet5(nn.Module): def __init__(self, num_classes2): super().__init__() self.features nn.Sequential( nn.Conv2d(1, 6, kernel_size5), # 输入单通道灰度图 nn.ReLU(), nn.AvgPool2d(2), nn.Conv2d(6, 16, kernel_size5), nn.ReLU(), nn.AvgPool2d(2), ) self.classifier nn.Sequential( nn.Flatten(), nn.Linear(16 * 5 * 5, 120), nn.ReLU(), nn.Linear(120, 84), nn.ReLU(), nn.Linear(84, num_classes), ) def forward(self, x): return self.classifier(self.features(x))逻辑说明features负责特征提取两层卷积后接平均池化classifier做分类。原版 LeNet-5 用的是 Sigmoid 和平均池化这里换成 ReLU 是为了训练更快。参数说明kernel_size5是原版设定现代网络多用 3。num_classes按缺陷类别数改二分类就是 2。这个结构在 32×32 的 MNIST 上够用但放到 224 以上的工件图感受野和深度都严重不足实际产线不会直接用它。3.3 迁移学习用 ResNet 骨干快速拿到可用精度实际项目里我一般不会从零训一个 CNN而是拿在 ImageNet 上预训练过的 ResNet 或 EfficientNet 做骨干换掉最后的全连接层。工件缺陷样本往往只有几百到几千张从零训练很容易过拟合迁移学习能把收敛所需样本量降一个量级。import torchvision.models as models import torch.nn as nn def build_model(num_classes2, backboneresnet18, pretrainedTrue): if backbone resnet18: model models.resnet18(weightsIMAGENET1K_V1 if pretrained else None) in_features model.fc.in_features model.fc nn.Linear(in_features, num_classes) # 替换分类头 elif backbone efficientnet_b0: model models.efficientnet_b0(weightsIMAGENET1K_V1 if pretrained else None) in_features model.classifier[1].in_features model.classifier[1] nn.Linear(in_features, num_classes) return model逻辑说明weightsIMAGENET1K_V1加载预训练权重model.fc或model.classifier换成自己的类别数。这样骨干学到的边缘、纹理特征可以直接复用缺陷检测正好吃这部分特征。参数说明backbone选 resnet18 适合算力有限的产线工控机efficientnet_b0 精度略高但推理稍慢。pretrained在样本极少时务必为 True。替换分类头后训练初期可以只训分类头、冻结骨干几轮之后再解冻微调学习率要调小。注意如果输入改成单通道灰度预训练骨干的第一层卷积需要手动改通道数否则权重形状对不上。4. 训练、评估与推理部署的完整链路4.1 损失函数、优化器与学习率调度工件缺陷检测最常见的两个问题是类别不均衡和难易样本不均。交叉熵在正常样本占 95% 时会把模型带偏常见做法是加类别权重或用 Focal Loss。import torch import torch.nn as nn import torch.optim as optim # 按类别频率的倒数设置权重缓解不均衡 class_weights torch.tensor([1.0, 5.0]).to(cuda) criterion nn.CrossEntropyLoss(weightclass_weights) model build_model(num_classes2).to(cuda) optimizer optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-4) scheduler optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max30) for epoch in range(30): model.train() for imgs, labels in loader: imgs, labels imgs.to(cuda), labels.to(cuda) optimizer.zero_grad() loss criterion(model(imgs), labels) loss.backward() optimizer.step() scheduler.step()逻辑说明weight让少数类缺陷的损失被放大模型不敢忽略。AdamW带权重衰减比 SGD 更容易调。余弦退火让学习率从 1e-4 平滑降到接近 0后期收敛更稳。参数说明lr1e-4是微调预训练模型的常用起点从零训练可以到 1e-3。weight_decay1e-4抑制过拟合。T_max设成总 epoch 数。类别权重不要拍脑袋按训练集里各类样本数的反比来算。4.2 评估指标准确率会骗人要看召回和混淆矩阵缺陷检测里漏检把缺陷判成正常的代价远高于误检所以核心指标是缺陷类的召回率而不是整体准确率。一个 95% 准确率的模型可能把所有缺陷都漏掉因为缺陷只占 5%。from sklearn.metrics import classification_report, confusion_matrix model.eval() preds, gts [], [] with torch.no_grad(): for imgs, labels in val_loader: out model(imgs.to(cuda)) preds.extend(out.argmax(1).cpu().numpy()) gts.extend(labels.numpy()) print(confusion_matrix(gts, preds)) print(classification_report(gts, preds, target_names[normal, defect]))逻辑说明推理时用model.eval()关闭 dropout 和批归一化的训练行为torch.no_grad()省显存。混淆矩阵直接看漏检数量classification_report给出每类的精确率、召回率和 F1。参数说明target_names按自己的类别顺序填。看结果时重点盯 defect 那一行的 recall它低就说明漏检多需要调类别权重或阈值。4.3 导出 ONNX 并在产线做批量推理训练完的模型要落到产线通常导出成 ONNX用 ONNX Runtime 或 TensorRT 推理摆脱对训练框架的依赖。import torch model.eval() dummy torch.randn(1, 3, 224, 224).to(cuda) torch.onnx.export( model, dummy, defect.onnx, input_names[input], output_names[logits], dynamic_axes{input: {0: batch}, logits: {0: batch}}, opset_version12, )逻辑说明dummy是一次假输入用来追踪计算图。dynamic_axes让 batch 维度可变产线可以一次推多张图。opset_version12兼容性较好。参数说明输入尺寸必须和训练时一致否则精度会掉。导出后用onnxruntime加载对比几张图的输出和 PyTorch 是否一致差异过大说明某些算子导出有问题。部署方式延迟适用硬件备注PyTorch 直接推理高GPU 服务器调试方便ONNX Runtime中CPU / GPU跨平台TensorRT低NVIDIA GPU需转换收益大5. 误检漏检排查与提升小缺陷检出率的几个技巧模型上线后最常见的反馈是“正常件被判成缺陷”和“小划痕漏检”。前者多半是负样本不够或增强过度后者多半是分辨率不足或感受野不匹配。排查时先把误检和漏检的图各导出几十张按缺陷类型、光照条件、工件批次分组看往往能发现集中在某一类工况上。一个具体技巧是切图推理。工件图很大而缺陷很小时把原图按重叠窗口切成 512×512 的小块分别推理再合并结果等效于提高了缺陷的相对分辨率。重叠区域取窗口的 1/4避免缺陷正好落在切缝上被截断。代价是推理次数增加但小缺陷召回率通常能提升明显。另一个技巧是测试时增强TTA对同一张图做水平翻转、轻微旋转分别推理后对输出取平均。它不改变模型只增加推理开销对边界样本的判定稳定性有帮助。如果产线节拍允许TTA 是性价比很高的兜底手段。阈值调整也别忽略。分类头输出的 softmax 概率默认以 0.5 为界把缺陷类阈值降到 0.3 能提高召回代价是误检上升。具体降到多少用验证集画一条召回-误检曲线按产线能接受的误检率反推阈值比拍脑袋靠谱。最后模型不是一次训练就完事产线换批次、换光源后要定期拿新样本做回归测试发现指标下滑就补样本重训这才是工件表面缺陷检测能长期稳定的做法。本文还有配套的精品资源点击获取 基于CNN的工件表面缺陷检测：从数据准备到产线部署全流程
简介这份PDF面向工业视觉检测方向的研究者与工程技术人员聚焦工件表面缺陷检测的准确率提升问题属于深度学习与机器视觉交叉的进阶学习资料。资源共1个文件为1.24MB的PDF文档内容完整呈现一篇学术论文涵盖摘要、引言、卷积神经网络原理、改进分割网络模型、决策模块设计及实验验证等章节便于系统研读与引用。论文提出优化分割模块中的卷积层与卷积核大小以下采样最大池化替代大步长卷积并在决策模块中调整卷积层与池化层以获取更多输出神经元和工件特征实验准确率达到99.4%优于DeepLabv3与U-Net等现有方法。目前已有271人学习适合从事缺陷检测、图像分割或数据建模的读者参考其网络改进思路与实验设计也可作为相关课题的文献支撑。1. 从一张划痕图片说起工件表面缺陷检测为什么绕不开卷积神经网络产线上一个金属壳体表面有一道 0.2mm 宽的划痕人眼在特定角度下才能看见质检员盯了八小时之后漏检率会明显上升。传统机器视觉的做法是先做阈值分割、边缘提取、形态学运算再拿面积、周长、圆度这些手工特征去卡规则。问题是划痕的灰度对比度随光照变化毛刺和油污又长得像缺陷规则越堆越多维护成本直线上升换一个工件型号就得重调一遍参数。卷积神经网络CNN改变的正是这件事它不再让人去描述“缺陷长什么样”而是让网络从标注样本里自己学出对划痕、凹坑、脏污有区分度的特征。工件表面缺陷检测这个任务本质上是小目标、低对比度、类别不均衡的图像分类或分割问题CNN 的局部感受野和权值共享恰好匹配这类纹理型缺陷。这篇内容面向已经会写 Python、想把这套方法真正落到产线上的工程师从数据、网络结构、训练参数一路讲到推理部署和误检排查中间给的都是能直接抄的命令和代码。2. 工件表面缺陷检测的数据准备与 CNN 输入规范2.1 缺陷样本采集与标注的工程约束工业场景的数据和公开数据集差别很大。常见做法是固定相机、镜头、光源把工位做成一个暗箱先保证成像稳定再谈模型。采集时要注意三件事一是覆盖缺陷的形态分布同一类划痕要有不同方向、不同长度二是采集一定量的负样本也就是无缺陷图否则模型会把正常纹理也判成缺陷三是记录采集参数光源亮度、曝光时间变了模型分布就漂移了。标注格式上分类任务按文件夹分目录即可检测任务常用 VOC XML 或 COCO JSON。工件缺陷往往很小标注框要贴紧缺陷边缘不要留太多背景否则回归分支学不准。一个容易被忽略的点是标注一致性同一道划痕两个标注员画的框可能差十几个像素训练前最好做一次交叉复核。提示缺陷样本通常远少于正常样本先统计各类别数量再决定后面用哪种采样或损失函数策略不要上来就训练。2.2 用 PyTorch 搭一个可复现的数据管道下面这段代码把缺陷图读进来、做归一化和数据增强输出固定尺寸的张量。工件表面缺陷检测里常用的增强是随机旋转、随机亮度、轻微高斯噪声不要用大幅度的裁剪和透视变换那会破坏缺陷的几何形态。import torch from torch.utils.data import Dataset, DataLoader from torchvision import transforms from PIL import Image import os class DefectDataset(Dataset): def __init__(self, root, img_size224, trainTrue): self.samples [] self.classes sorted(os.listdir(root)) for idx, cls in enumerate(self.classes): cls_dir os.path.join(root, cls) for name in os.listdir(cls_dir): self.samples.append((os.path.join(cls_dir, name), idx)) # 训练集做增强验证集只做缩放和归一化 if train: self.tf transforms.Compose([ transforms.Resize((img_size, img_size)), transforms.RandomRotation(15), # 缺陷方向随机 transforms.ColorJitter(brightness0.2), # 模拟光照波动 transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ]) else: self.tf transforms.Compose([ transforms.Resize((img_size, img_size)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ]) def __len__(self): return len(self.samples) def __getitem__(self, i): path, label self.samples[i] img Image.open(path).convert(RGB) return self.tf(img), label loader DataLoader(DefectDataset(./data/train, trainTrue), batch_size32, shuffleTrue, num_workers4)逻辑说明DefectDataset按类别子目录自动生成标签省去手写标签文件。RandomRotation(15)对应缺陷方向的不确定性ColorJitter对应产线光照波动。归一化用的均值方差是 ImageNet 统计值如果从零训练可以换成自己数据集的统计值迁移学习则保持默认。参数说明img_size决定输入分辨率缺陷越小这个值要越大224 适合缺陷占图面积 5% 以上的情况更小的缺陷建议 512 或做切图。batch_size受显存限制32 是 8GB 显存的稳妥值。num_workers设成 CPU 核数的 2 到 4 倍IO 瓶颈时能明显提速。2.3 输入尺寸、通道数与归一化的取舍参数常见取值适用场景代价输入分辨率224 / 512 / 1024缺陷占比大 / 中等 / 极小显存与推理耗时上升通道数3RGB/ 1灰度彩色缺陷 / 纯纹理缺陷灰度省显存但丢颜色信息归一化ImageNet 均值方差迁移学习从零训练时不一定最优批大小16 / 32 / 64小显存 / 常规 / 大显存过大影响泛化灰度输入在纯划痕检测里很常见因为颜色往往是干扰。但如果缺陷类型包含锈斑、变色这类颜色相关缺陷就必须保留三通道。归一化这一步不要省它让不同批次图片的亮度分布对齐是训练稳定的前提。3. CNN 网络结构选型从 LeNet-5 到残差网络怎么选3.1 卷积、池化、感受野三个概念在缺陷检测里的意义卷积层用一个小窗口在图上滑动每个位置做加权求和权重在整个图上共享。这个共享带来两个好处参数量与图像大小无关且平移不变性让缺陷出现在哪个位置都能被识别。池化层做下采样扩大后续层的感受野同时带来一定的形变容忍度。感受野指的是某一层输出上的一个点对应原图多大区域缺陷检测里它直接决定网络能不能“看全”一个缺陷。工件表面缺陷检测的难点在于缺陷尺度跨度大有的划痕细长有的凹坑成片。如果感受野太小网络只能看到划痕的局部学不到整体形状感受野太大小缺陷又被背景淹没。常见做法是用多尺度特征融合或者在骨干网络后接特征金字塔。3.2 LeNet-5 结构复现与它为什么不够用LeNet-5 是最经典的入门结构两层卷积加三层全连接输入 32×32。把它复现出来有助于理解 CNN 的基本堆叠方式。import torch.nn as nn class LeNet5(nn.Module): def __init__(self, num_classes2): super().__init__() self.features nn.Sequential( nn.Conv2d(1, 6, kernel_size5), # 输入单通道灰度图 nn.ReLU(), nn.AvgPool2d(2), nn.Conv2d(6, 16, kernel_size5), nn.ReLU(), nn.AvgPool2d(2), ) self.classifier nn.Sequential( nn.Flatten(), nn.Linear(16 * 5 * 5, 120), nn.ReLU(), nn.Linear(120, 84), nn.ReLU(), nn.Linear(84, num_classes), ) def forward(self, x): return self.classifier(self.features(x))逻辑说明features负责特征提取两层卷积后接平均池化classifier做分类。原版 LeNet-5 用的是 Sigmoid 和平均池化这里换成 ReLU 是为了训练更快。参数说明kernel_size5是原版设定现代网络多用 3。num_classes按缺陷类别数改二分类就是 2。这个结构在 32×32 的 MNIST 上够用但放到 224 以上的工件图感受野和深度都严重不足实际产线不会直接用它。3.3 迁移学习用 ResNet 骨干快速拿到可用精度实际项目里我一般不会从零训一个 CNN而是拿在 ImageNet 上预训练过的 ResNet 或 EfficientNet 做骨干换掉最后的全连接层。工件缺陷样本往往只有几百到几千张从零训练很容易过拟合迁移学习能把收敛所需样本量降一个量级。import torchvision.models as models import torch.nn as nn def build_model(num_classes2, backboneresnet18, pretrainedTrue): if backbone resnet18: model models.resnet18(weightsIMAGENET1K_V1 if pretrained else None) in_features model.fc.in_features model.fc nn.Linear(in_features, num_classes) # 替换分类头 elif backbone efficientnet_b0: model models.efficientnet_b0(weightsIMAGENET1K_V1 if pretrained else None) in_features model.classifier[1].in_features model.classifier[1] nn.Linear(in_features, num_classes) return model逻辑说明weightsIMAGENET1K_V1加载预训练权重model.fc或model.classifier换成自己的类别数。这样骨干学到的边缘、纹理特征可以直接复用缺陷检测正好吃这部分特征。参数说明backbone选 resnet18 适合算力有限的产线工控机efficientnet_b0 精度略高但推理稍慢。pretrained在样本极少时务必为 True。替换分类头后训练初期可以只训分类头、冻结骨干几轮之后再解冻微调学习率要调小。注意如果输入改成单通道灰度预训练骨干的第一层卷积需要手动改通道数否则权重形状对不上。4. 训练、评估与推理部署的完整链路4.1 损失函数、优化器与学习率调度工件缺陷检测最常见的两个问题是类别不均衡和难易样本不均。交叉熵在正常样本占 95% 时会把模型带偏常见做法是加类别权重或用 Focal Loss。import torch import torch.nn as nn import torch.optim as optim # 按类别频率的倒数设置权重缓解不均衡 class_weights torch.tensor([1.0, 5.0]).to(cuda) criterion nn.CrossEntropyLoss(weightclass_weights) model build_model(num_classes2).to(cuda) optimizer optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-4) scheduler optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max30) for epoch in range(30): model.train() for imgs, labels in loader: imgs, labels imgs.to(cuda), labels.to(cuda) optimizer.zero_grad() loss criterion(model(imgs), labels) loss.backward() optimizer.step() scheduler.step()逻辑说明weight让少数类缺陷的损失被放大模型不敢忽略。AdamW带权重衰减比 SGD 更容易调。余弦退火让学习率从 1e-4 平滑降到接近 0后期收敛更稳。参数说明lr1e-4是微调预训练模型的常用起点从零训练可以到 1e-3。weight_decay1e-4抑制过拟合。T_max设成总 epoch 数。类别权重不要拍脑袋按训练集里各类样本数的反比来算。4.2 评估指标准确率会骗人要看召回和混淆矩阵缺陷检测里漏检把缺陷判成正常的代价远高于误检所以核心指标是缺陷类的召回率而不是整体准确率。一个 95% 准确率的模型可能把所有缺陷都漏掉因为缺陷只占 5%。from sklearn.metrics import classification_report, confusion_matrix model.eval() preds, gts [], [] with torch.no_grad(): for imgs, labels in val_loader: out model(imgs.to(cuda)) preds.extend(out.argmax(1).cpu().numpy()) gts.extend(labels.numpy()) print(confusion_matrix(gts, preds)) print(classification_report(gts, preds, target_names[normal, defect]))逻辑说明推理时用model.eval()关闭 dropout 和批归一化的训练行为torch.no_grad()省显存。混淆矩阵直接看漏检数量classification_report给出每类的精确率、召回率和 F1。参数说明target_names按自己的类别顺序填。看结果时重点盯 defect 那一行的 recall它低就说明漏检多需要调类别权重或阈值。4.3 导出 ONNX 并在产线做批量推理训练完的模型要落到产线通常导出成 ONNX用 ONNX Runtime 或 TensorRT 推理摆脱对训练框架的依赖。import torch model.eval() dummy torch.randn(1, 3, 224, 224).to(cuda) torch.onnx.export( model, dummy, defect.onnx, input_names[input], output_names[logits], dynamic_axes{input: {0: batch}, logits: {0: batch}}, opset_version12, )逻辑说明dummy是一次假输入用来追踪计算图。dynamic_axes让 batch 维度可变产线可以一次推多张图。opset_version12兼容性较好。参数说明输入尺寸必须和训练时一致否则精度会掉。导出后用onnxruntime加载对比几张图的输出和 PyTorch 是否一致差异过大说明某些算子导出有问题。部署方式延迟适用硬件备注PyTorch 直接推理高GPU 服务器调试方便ONNX Runtime中CPU / GPU跨平台TensorRT低NVIDIA GPU需转换收益大5. 误检漏检排查与提升小缺陷检出率的几个技巧模型上线后最常见的反馈是“正常件被判成缺陷”和“小划痕漏检”。前者多半是负样本不够或增强过度后者多半是分辨率不足或感受野不匹配。排查时先把误检和漏检的图各导出几十张按缺陷类型、光照条件、工件批次分组看往往能发现集中在某一类工况上。一个具体技巧是切图推理。工件图很大而缺陷很小时把原图按重叠窗口切成 512×512 的小块分别推理再合并结果等效于提高了缺陷的相对分辨率。重叠区域取窗口的 1/4避免缺陷正好落在切缝上被截断。代价是推理次数增加但小缺陷召回率通常能提升明显。另一个技巧是测试时增强TTA对同一张图做水平翻转、轻微旋转分别推理后对输出取平均。它不改变模型只增加推理开销对边界样本的判定稳定性有帮助。如果产线节拍允许TTA 是性价比很高的兜底手段。阈值调整也别忽略。分类头输出的 softmax 概率默认以 0.5 为界把缺陷类阈值降到 0.3 能提高召回代价是误检上升。具体降到多少用验证集画一条召回-误检曲线按产线能接受的误检率反推阈值比拍脑袋靠谱。最后模型不是一次训练就完事产线换批次、换光源后要定期拿新样本做回归测试发现指标下滑就补样本重训这才是工件表面缺陷检测能长期稳定的做法。本文还有配套的精品资源点击获取