简介基于深度学习的工业产品缺陷检测毕业设计源码包面向计算机、自动化等专业本科生及需要完成毕设或课程设计的开发者解决工业产品表面缺陷自动识别的工程实现问题。资源共12个文件核心为7个Python脚本、3个txt数据划分文件、1个sh脚本和1个Markdown说明文档压缩包仅556KBpy脚本覆盖数据准备、模型训练与推理评估等完整流程dataset.py负责图像批量加载与预处理train.py、eval.py实现训练与评估resnet.py、se_resnet.py提供骨干网络结构config.py统一管理参数sh脚本可一键生成数据集划分列表txt文件对应训练/验证/测试集README.md给出配置与运行说明。代码含详细注释新手也能看懂核心逻辑项目经严格调试可直接运行系统功能完善、界面简洁曾获导师认可的高分毕设评价。目前已有193人学习下载适合作为毕业设计、期末大作业或课程设计的完整参考方案。1. 基于深度学习的工业产品缺陷检测这条路线真正的门槛不在模型代码工业产品缺陷检测近两年被问得很多尤其是目标检测模型在表面缺陷场景的表现。很多人拿到一份“基于深度学习的工业产品缺陷检测python源码文档说明数据”的毕业设计资源包第一反应是找“哪个模型准确率最高”真跑起来才发现最耗时间的不是训练而是数据怎么整理、类别怎么划分、指标怎么算以及最后怎么把模型变成一个能演示、能答辩、能说清原理的系统。这套项目资源的核心价值不在于某个网络结构有多新而在于它把“数据集整理—模型选型—训练调参—推理部署—文档说明”这条完整的闭环串起来了。对于要做毕业设计或者第一次接工业质检项目的开发者最需要的不是再学一个新模型而是知道哪些步骤能复用、哪些参数必须改、哪些地方一不留神就翻车。本文就按这个思路把你拿到这套资源后从零跑通再到自查的完整路径讲透每步都给可复现的命令和参数建议。2. 先把数据伺候明白缺陷检测任务里数据准备决定最终上限2.1 缺陷样本只有几十张时先做增强还是先做划分拿到工业缺陷数据集最常见的情况是缺陷图片数量少得可怜。一个类别的有效缺陷图可能只有几十张到两三百张而正常样本动辄几千张。很多人拿到数据后第一件事就是做随机翻转、旋转、加噪声把图片成倍扩增然后一口气全丢进训练集。这种做法最大的隐患是增强后的图片和原图高度相似如果增强是在划分训练集之前做的同一缺陷的多个变体会同时出现在训练集和验证集里验证指标会虚高得离谱答辩时一旦被追问“你这个曲线为什么这么平”就会非常被动。我做这类项目时划分永远先于增强而且划分要按“缺陷实例”而不是按“图片文件”进行。也就是说同一张图上如果标注了三个缺陷这三个缺陷要视为一个整体不能切开分到训练和验证两侧。具体操作上先按类别统计每张图的缺陷个数然后用分组随机的方式把数据切到训练、验证、测试三份比例一般按 8:1:1 或者 7:2:1。缺陷类别本身就少的可以适当把验证集比例压到 15% 以下但不能不要验证集。划分完成之后再做增强而且增强要用“保形优先”的策略。我先做几何类的翻转、旋转、缩放这些变换不会破坏缺陷的形态语义再做颜色抖动、高斯噪声、模糊等扰动用来提升模型对光照和成像噪声的鲁棒性最后才考虑拼接类增强。顺序变了模型学到的特征就会有偏差比如先做颜色扰动再做拼接拼接边界上的颜色不连续会被模型当成缺陷特征这个坑是实际训练中常见的。2.2 把零散图片整理成训练集目录的自动化脚本缺陷检测的数据通常不是现成的 ImageNet 目录结构。常见的情况是一个原始大文件夹里放着所有产线拍回来的图片旁边一个标注文件记录着每个文件名对应的缺陷类别和边界框坐标。第一步要做的是把这些零散资源整理成模型仓库能直接读取的标准目录结构train、val、test 三个文件夹下面按类别分子文件夹图片按“类别_序号”重命名。我一般会写一个独立的整理脚本来完成这件事避免手工挪文件。代码里可以做三件事读取标注文件、按类别建立目标目录、执行复制并计数校验。下面是一个可以直接改路径就用的基础版本。import os import shutil from pathlib import Path from collections import Counter def prepare_dataset(src_img_dir, annotation_file, out_dir, train_ratio0.8, val_ratio0.1, seed42): random.seed(seed) # 读取标注假设标注文件每行是 图片名 类别 x1 y1 x2 y2 samples [] with open(annotation_file, r, encodingutf-8) as f: for line in f: parts line.strip().split() if len(parts) 2: continue img_name parts[0] label parts[1] samples.append((img_name, label)) # 按类别分组保证每个类别的样本都按同样比例被分到三个集合 label_to_samples defaultdict(list) for img_name, label in samples: label_to_samples[label].append(img_name)上面这段做的是“按类别分组划分”也就是每个类别内部各自切训练、验证、测试不让某个小类别在某一份里完全缺失。参数里 train_ratio 和 val_ratio 控制比例seed 固定随机数种子方便你多次跑结果一致。注意这段代码隐去了随机划分的具体实现实际补全时用random.sample从每个类别列表里按比例取索引即可。这类脚本最大的价值不是算法复杂而是可复现——毕业设计文档里要求“实验设置可复现”固定 seed 就是最直接的体现。整理完目录之后一定要打印一份类别统计表并保存成 CSV方便后面写文档说明和结果分析。统计项包括每个类别原始图片数、划分后 train/val/test 的图片数、每个类别平均标注框数。这一步看起来琐碎到最后写论文、做答辩材料时都直接有用不用回头再数。2.3 正负样本失衡与大图切小图的两个核心参数缺陷检测和自然场景目标检测有个显著差别工业大图分辨率高缺陷面积小。一张 4000x3000 的工件表面图缺陷可能只占 40x30 像素。直接把整张大图 resize 到模型输入尺寸小目标会被压缩成几乎看不见的碎块漏检率会非常高。常见做法是大图切小图训练也就是把原图切成若干个 640x640 或 512x512 的窗口只保留包含缺陷的窗口进入训练集。切图有两个关键参数窗口尺寸和重叠率。窗口尺寸一般对齐模型输入尺寸重叠率建议 10% 到 20%。重叠的作用是避免缺陷刚好落在窗口边缘被切断我一般选 15%。如果缺陷尺寸特别不固定还可以按缺陷包围盒自适应生成裁剪窗口把每个缺陷放在窗口中心附近同时随机采样一些背景窗口加入训练。正负样本失衡方面缺陷检测虽然是“找缺陷”的任务但训练时不能只喂缺陷窗口。背景窗口太少模型会把背景纹理误报成缺陷背景窗口太多模型又倾向于把所有目标都判为背景。我一般控制缺陷窗口和背景窗口的比例在 3:1 到 5:1 之间。这个比例比分类任务里的正负比要宽松因为检测框的回归分支本身也参与了训练不能过度压缩负样本。调的时候看一个指标假如模型在验证集上的误检很多而召回还可以多半是背景窗口给少了假如召回低而误检少就是缺陷窗口不足优先补充缺陷样本而不是调模型。3. 模型选型与训练配置把分类、检测、分割三条路线的账算清楚3.1 工业缺陷场景里三条技术路线的选型对比面向毕业设计或者中小型质检项目模型选型不需要追求猎奇要紧扣缺陷形态和你最终要输出的结果形式。按缺陷特性主流技术路线分三类路线输出形式适用缺陷特征标注成本常见坑图像分类整图属于哪类纹理均匀、整图可判如布料疵点最低每张图打一个标签无法定位小缺陷被大背景稀释目标检测缺陷框和类别局部独立缺陷划痕、脏污、毛刺中每个缺陷画框小目标易漏检密集缺陷难分框语义分割像素级掩膜形状不规则、需要算面积如气泡、锈斑高逐像素标注小缺陷像素占比过低训练慢实际项目里 70% 以上的工业表观缺陷属于“局部独立缺陷”所以目标检测是默认首选。分类路线适合快速评估某个缺陷是否存在比如做产线预筛但答辩时很容易被质疑“缺陷发生在哪个位置”定位能力是分类模型给不了的。分割路线精度上限高但标注成本翻倍而且小缺陷在 loss 计算中会被大背景“淹没”需要专门调损失函数权重。选型时还要考虑一个现实因素你有多少标注能力。手里只有图片级标签没有框也没有掩膜那就老老实实走分类有框就走检测有像素级标注或者缺陷本身就是需要量面积比如锈蚀面积占比再走分割。很多毕业设计项目就是先跑通检测再为了提升某一类缺陷的像素级精度做一个分割分支作对比实验文档里的工作量和创新点都能扩充。3.2 训练脚本骨架关键参数设置与含义不同模型仓库的训练入口不一样但关键的训练参数是高度一致的。下面给一个按通用训练入口改造而来的命令骨架你拿到源码包后改路径和数据配置即可对齐。python train.py \ --data ./config/defect.yaml \ --weights pretrained.pt \ --img-size 640 \ --batch-size 16 \ --epochs 150 \ --workers 4 \ --device 0 \ --seed 42 \ --patience 20 \ --save-period 10参数说明--img-size是训练时的输入分辨率理论上越大对细节越友好但显存占用线性上升4GB 级别的显卡建议用 512 或 640大图切块训练时这个值决定了切块尺寸它必须和 2.3 里的切割窗口一致。--batch-size16 是 8GB 显存附近的安全值显存不够时优先降 batch 而不是降图片尺寸因为降图片尺寸对小目标检测的影响更直接。--patience20 表示验证集指标连续 20 轮不提升就早停这是防止时间浪费在最没意义的振荡期。--save-period10 是每 10 轮保存一次权重后面做实验对比时你会感激这个参数。训练前要检查defect.yaml里的类别编号是否和标注文件一致。这是很常见的低级错误标注文件里类别是字符串而训练配置里类别是编号或者编号从 1 开始但代码期望从 0 开始。错了不会报错只会静默地把类别学乱。我会在训练前写一个很小的校验加载标注前 100 条按配置里的类别表打印出图片、框、类别编号人工扫一眼再启动训练。优化器方面工业缺陷数据集普遍偏小优先用带动量的 SGD 而不是自适应优化器学习率从 0.01 往下降配合 warm-up。自适应优化器在小数据集上收敛快但权重分布容易偏向拟合噪声后期的稳定性和泛化能力不如 SGD。当然这也是有争议的经验我的做法是 baseline 用 SGD如果多轮训练后模型欠拟合再换成自适应优化器做对比。3.3 训练过程中怎么看损失曲线与验证指标的止损点训练开始后不要只盯着终端里跳动的 loss 数字。工业缺陷检测里训练 loss 下降快、验证 loss 纹丝不动是过拟合的典型信号。配合早停不会让你浪费时间。我一般同时看三个东西训练 loss、验证 loss、各类别召回率。注意召回率一定要按类别分开算只看总体平均值会把问题藏住——比如有两个缺陷类别一类召回 95%一类召回 40%平均之后看起来 67%完全发现不了第二类已经废了。如果发现某一类召回率明显偏低先别急着加数据或者调模型。回去看这个类别的样本数和标注质量。工业缺陷样本里常见的特征是某一类缺陷形态特别多样比如划痕有长有短有粗有细而样本量又只覆盖了一部分形态模型的召回率自然上不去。这时候正确方向不是调参而是再收集或通过半自动手段生成这类缺陷的变体样本。如果你是做毕业设计这部分内容完全可以写成“数据增强策略对类别均衡的改进”作为算法实验之外的工程贡献。训练过程的监控状态保存也很重要。每轮训练结束把验证集上的召回率、精确率、平均精度均值、损失值追加写入一个 CSV形成训练日志。后续分析、作图、写文档说明都靠这份日志。不要信任终端滚动输出终端记录不可复现。4. 毕业设计项目最容易翻车的五个坑与排查方法4.1 缺陷样本同源泄露导致验证集指标虚高现象训练曲线和验证曲线都“完美”验证集上的平均精度均值超过 0.95换到一张新拍的真实图片上漏检一片。原因数据划分是在增强之后做的或者同一批连续拍摄的图片被随机分到了训练和验证两侧。连续拍摄的图片之间背景和光照高度一致模型在验证集上看到的其实是“训练过的背景”而不是“没见过的缺陷”。解决把划分前置且按拍摄批次或产品批次分组保证同一批次图片整体落在同一个集合里。增强只对训练集做验证集保持原始状态。修改后指标会明显下降但这份下降才是可信的。4.2 过强数据增强把缺陷“增强没了”现象训练集 loss 一直不下来验证集召回率长期在低位把增强关闭之后指标立刻好转。原因对每一张图同时叠加翻转、旋转、颜色抖动、模糊、拼接小缺陷被放大变形或颜色失真到人眼都看不出是缺陷的程度模型学到的是被破坏的图像噪声。解决收紧增强组合保留保形变换作为基础颜色扰动适度把拼接增强的概率降到 0.3 以下。增强的目的是增加形态多样性不是造出不可辨识的图。4.3 高分辨率大图直接压缩导致小目标漏检现象模型在公开自然场景数据集上表现正常在自己的工业图上小缺陷几乎全漏。原因原图几千像素直接缩放成 640原图里 40 像素的缺陷缩成不到 10 像素特征在骨干网络下采样几次之后彻底消失。解决采用 2.3 里的大图切小图方案按窗口训练推理时也切图再合并结果。这是工业缺陷检测与小目标检测里最高频的优化点。4.4 验证集平均精度均值高但某一类完全不能用现象总体指标好看但某一类缺陷在产线测试时频繁误报或漏报。原因类别样本极不均衡小类别的 loss 贡献被大类淹没模型把资源都花在了拟合大类上。解决按类别查看召回率对小类别适当做过采样或者调整损失函数中的类别权重。统计每个类别的样本数暴露出差异后再决定策略。4.5 导出后的模型精度比训练时差一截现象训练时验证集召回率 0.9导出部署后同一张图结果对不上框偏移或者丢失。原因导出时输入尺寸和训练时不一致或预处理细节归一化方式、通道顺序在导出链路里被改变。小缺陷对尺寸变化极其敏感。解决固定推理输入尺寸与训练配置一致导出后用同一张测试图在原始模型和导出模型上分别推理对比框坐标和概率差异明显就回查预处理代码。这个验证动作是整个部署环节中最值得做的。5. 导出与落地跑通推理脚本再把结果变成可演示的闭环5.1 推理脚本骨架读图、推理、画框、导出报表训练完成拿到一组权重文件后接下来要做的是把模型放进一个稳定的推理脚本里让它可以处理单张图片、一个文件夹、以及实时调用三种输入方式。这个脚本也是毕设演示的底座。下面给一个精简的推理骨架核心是统一预处理、推理、结果写回三个环节。import cv2 def run_inference(model, image_path, conf_thres0.25, iou_thres0.45, devicecpu): # 读图并保证通道顺序符合模型要求工业图像常见BGR顺序注意RGB转换 img_bgr cv2.imread(image_path) img_rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) # 预处理保持与训练一致的长边缩放不足部分填充灰边而不是直接拉伸 resized, ratio, pad_w, pad_h letterbox(img_rgb, new_shape(640, 640)) # 模型前向推理 results model(resized, confconf_thres, iouiou_thres, devicedevice) # 将归一化坐标还原到原图坐标系用于画框和保存 boxes results.xyxy[0].cpu().numpy() ... for box, confidence, class_id in zip(boxes[:, :4], boxes[:, 4], boxes[:, 5]): x1, y1, x2, y2 map(lambda v: int(v), box) # 还原letterbox时加过的灰边偏移 x1, y1 int((x1 - pad_w) / ratio), int((y1 - pad_h) / ratio) ...这段代码里最容易疏忽的就是letterbox和坐标还原。直接用cv2.resize把图拉成正方形缺陷长宽比会被破坏坐标也要重新换算用灰边填充的方式保持等比缩放模型输入分布更接近训练时的数据。参数conf_thres是置信度阈值0.25 是我在缺陷检测里的默认起点如果漏检多就降到 0.1 看看到底是没检出还是框置信度低如果误检多就往 0.5 上调。iou_thres控制重叠框合并工业小目标密集时 0.45 偏高可以让两个紧邻缺陷被合并成一个框建议小目标场景先用 0.3 观察效果。推理结果写完图片后同时要把每张图的检测记录追加到汇总 CSV图片名、类别、置信度、框坐标。这步动作一举两得演示时能实时展示统计报表论文里也能直接用这批数据做结果分析。注意统计报表要和训练日志的 CSV 分开存放不要混在一个文件里。5.2 模型导出时的精度损失排查清单从训练权重到部署格式中间最容易出现的就是“黑匣子”式的精度下降。排查顺序是尺寸一致性、预处理一致性、数据格式一致性。训练时用 640 输入导出时若没有显式指定尺寸默认可能是 416小目标直接消失。归一化方式也要逐一核对是除以 255 还是标准化、通道顺序是 RGB 还是 BGR、转成部署格式后预处理是否被内置进模型这些不一致都会造成输入分布漂移。我最常用的排查方法固定三张特征明显的测试图分别用原始权重和导出权重推理打印框坐标、类别、置信度三者完全一致的才算通过。逐项对比输出。如果偏差只存在于某一类小目标优先怀疑尺寸和填充方式如果所有目标的置信度普遍偏低优先怀疑归一化参数。毕业设计项目里导出环节的常见做法是只导出为标准格式而不做量化。量化虽然是热点方向但对小目标缺陷检测的精度伤害非常明显常规项目不建议在没有充分评估时开启。5.3 演示界面的三种形态与文档配套答辩演示用的界面主流的做法有三种桌面交互窗口、网页服务、纯命令行加标注图输出。第一种适合本地演示写代码量适中交互直观第二种适合现场用浏览器操作但要额外处理服务启动和端口占用问题第三种最简单可靠适合时间紧张时的保底方案核心功能一张“原图结果图统计表”的页面截图就能表达清楚。我一般会建议把推理脚本做成交互式界面加命令行双入口。交互界面负责演示给人看命令行负责批量跑测试集生成数据。两者共用同一个推理函数避免界面逻辑和推理逻辑耦合。文档说明的配合上毕业设计文档里除了模型原理一定要放三样东西数据集划分的截图或统计表、训练日志曲线、模拟生产线图像上的检测结果对比。这三样正好对应实验设置、训练过程、应用效果三段章节。没有这三份材料整个项目的说服力会大打折扣。6. 用混淆矩阵判断这套系统是否真的达标一个检查习惯帮你预判提问模型训练完、推理脚本也通了这时候最该做的事不是急着演示而是基于验证集生成一份完整的混淆矩阵和分类别召回率报告。我习惯把每一张验证图片的真实框和预测框做匹配框重合度大于 0.5 算命中统计每个类别的真正例、假正例、假负例。这个矩阵比平均精度均值诚实得多它会直接告诉你哪两类缺陷容易互相混淆哪一类被系统性遗漏。看矩阵时重点盯两个位置一是假正例最多的类别组合。如果“划痕”和“气泡”经常互报说明两类缺陷在外观上确实接近需要考虑增加训练样本的形态覆盖或者合并类别二是假负例最多的缺陷类型。如果集中在形态显著异于已有样本的类型说明当前数据没有覆盖长尾形态需要补充采集。这两条结论可以直接写进文档的“误差分析”章节答辩时非常出彩因为这说明你是按行内工程师的思路在做项目而不是跑完实验就收工。有一个检查习惯我想特别强调找三张完全没参与训练和验证的现场图手动数一下人眼能辨认的缺陷个数再数一下模型检出个数计算这个差值。这个动作看起来原始却最能反映系统真实可用性。我第一次做类似项目时验证集指标漂亮但换一张新工况的图就多检出一堆纹理误报。后来养成这个习惯之后每个项目交付前都会先做一次人工计数对比提前暴露问题。整套系统做到这个程度一个深度学习工业缺陷检测项目的核心闭环就已经完整了数据可复现、训练有记录、指标可解释、界面能演示。顺着这条路径走你拿到任何一套类似结构的源码包都能快速跑通并改造成自己的东西而不是停留在“能出结果”的表面层次。希望这篇笔记里的参数和排查顺序能帮你少走一段弯路也祝你在答辩或项目验收时面对“这个检测失败在哪个环节”“指标为什么可信”这类问题时心里有底。提示如果你手里的数据集类别特别多超过 10 类优先按类别做检测结果的可视化对比不要只看汇总指标每类缺陷的典型误报需要单独记录。本文还有配套的精品资源点击获取