基于BP神经网络的工业缺陷检测实战：从数据预处理到模型调优

1次阅读

共计 1742 个字符，预计需要花费 5 分钟才能阅读完成。

工业质检场景长期面临三大技术挑战：

小样本学习：缺陷样本收集成本高，正负样本比例常达 1:100
光照干扰：金属件反光、油渍等导致传统算法误检率上升 30% 以上
实时性要求：生产线速达 1200 件 / 分钟时需保证 <50ms 的单帧处理时延

方法	F1-score(%)	推理速度(ms)	参数量(MB)
SVM+HOG	82.3	15	0.1
BP 神经网络	97.1	22	8.7

测试环境：NVIDIA T4 GPU，输入图像 256×256

针对金属表面检测的特殊处理流程：

反光模拟 ：在 HSV 空间随机调整 V 通道(±30%) 并添加镜面高光
遮挡增强 ：随机擦除(10%-30% 区域) 结合泊松融合
纹理合成：使用 Perlin 噪声生成仿划痕缺陷

# PyTorch 实现金属反光增强
def specular_augment(img):
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    hsv[:,:,2] = np.clip(hsv[:,:,2] * (0.7 + 0.6*np.random.rand()), 0, 255)
    glare_mask = np.zeros_like(img)
    cv2.circle(glare_mask, (np.random.randint(50,206), np.random.randint(50,206)), 
               np.random.randint(10,30), (255,255,255), -1)
    return cv2.addWeighted(cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR), 0.8, glare_mask, 0.2, 0)

注：包含残差块与 CBAM 注意力模块的混合结构

关键组件说明：

深度可分离卷积：减少 3×3 卷积 60% 计算量
通道注意力：对缺陷敏感特征通道自动加权
跨层连接：缓解梯度消失问题

# PyTorch 动态学习率实现
scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(
    optimizer, 
    mode='max', 
    factor=0.5,
    patience=3,
    verbose=True,
    threshold=0.01
)

# 训练循环中调用
for epoch in range(epochs):
    train(...)
    val_acc = validate(...)
    scheduler.step(val_acc)  # 根据验证集指标调整

# 混淆矩阵与 ROC 曲线绘制
from sklearn.metrics import ConfusionMatrixDisplay, RocCurveDisplay

def plot_metrics(y_true, y_pred):
    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12,5))
    ConfusionMatrixDisplay.from_predictions(y_true, y_pred>0.5, ax=ax1)
    RocCurveDisplay.from_predictions(y_true, y_pred, ax=ax2)
    ax1.set_title(f'Confusion Matrix (Acc={accuracy_score(y_true,y_pred>0.5):.2f})')
    plt.tight_layout()