1. 项目概述这个基于深度学习的鞋面缺陷识别系统是我最近完成的一个课程设计/毕业设计项目。作为一名计算机视觉方向的开发者我发现在传统制鞋行业中产品质量检测仍然大量依赖人工目检这种方式不仅效率低下而且容易因疲劳导致误检漏检。于是我决定利用Python和深度学习技术开发一套自动化鞋面缺陷检测系统。这个系统能够自动识别鞋面上的划痕、污渍、色差、线头等多种常见缺陷准确率达到了92%以上。相比传统人工检测这套系统可以24小时不间断工作单次检测时间不超过0.5秒大大提升了生产线的质检效率。项目采用了YOLOv5目标检测算法作为核心配合Flask搭建了简洁易用的Web界面方便工厂质检人员使用。2. 技术选型与架构设计2.1 深度学习框架选择在算法实现部分我对比了TensorFlow、PyTorch和PaddlePaddle三大主流框架TensorFlow生态完善但学习曲线陡峭部署相对复杂PyTorch研究友好但工业部署需要额外转换PaddlePaddle中文文档丰富但社区相对较小最终选择了PyTorch作为基础框架主要考虑以下几点项目需要快速迭代实验PyTorch的动态图机制更利于调试社区活跃遇到问题容易找到解决方案与YOLOv5的兼容性最好2.2 系统架构设计整个系统采用B/S架构分为三个主要模块├── 前端展示层Vue.js ├── 后端服务层Flask └── 算法处理层PyTorchYOLOv5这种分层架构的优势在于前后端分离便于独立开发和部署算法模块可以单独优化升级系统扩展性强未来可以轻松添加新功能3. 核心算法实现3.1 数据集准备与增强鞋面缺陷检测面临的主要挑战是缺陷样本收集困难缺陷形态多样背景复杂不同颜色/材质的鞋面我采用了以下解决方案数据收集与本地鞋厂合作采集了2000张带缺陷的鞋面图像使用LabelImg工具手工标注了5类常见缺陷数据增强transform transforms.Compose([ transforms.RandomHorizontalFlip(p0.5), transforms.RandomRotation(10), transforms.ColorJitter(brightness0.2, contrast0.2, saturation0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ])类别平衡对样本较少的缺陷类别使用过采样采用Focal Loss缓解类别不平衡问题3.2 YOLOv5模型训练YOLOv5相比前代的主要改进更高效的网络结构CSPNet自适应锚框计算更灵活的训练配置我的训练关键参数配置# yolov5s.yaml nc: 5 # 缺陷类别数 depth_multiple: 0.33 # 模型深度系数 width_multiple: 0.50 # 层宽度系数 # 训练命令 python train.py --img 640 --batch 16 --epochs 100 --data shoes.yaml --cfg yolov5s.yaml --weights yolov5s.pt训练过程中的关键发现学习率设置对模型收敛影响很大最终采用余弦退火策略早停机制(patience15)有效防止过拟合使用预训练权重可以提升约5%的mAP3.3 模型优化技巧注意力机制引入 在YOLOv5的SPPF层后添加SE模块使模型更关注缺陷区域多尺度训练# 在train.py中设置 parser.add_argument(--multi-scale, actionstore_true, helpadjust (67%% - 150%%) img_size every batch)模型量化 使用PyTorch的量化工具将模型从FP32转为INT8推理速度提升2倍4. 系统实现细节4.1 后端服务实现采用Flask搭建RESTful API主要接口设计端点方法描述/api/uploadPOST上传待检测图像/api/detectGET获取检测结果/api/historyGET查询检测历史核心检测逻辑app.route(/api/upload, methods[POST]) def upload_file(): if file not in request.files: return jsonify({error: No file uploaded}), 400 file request.files[file] if file.filename : return jsonify({error: Empty filename}), 400 # 保存文件 filename secure_filename(file.filename) filepath os.path.join(UPLOAD_FOLDER, filename) file.save(filepath) # 执行检测 results detect_defects(filepath) # 保存结果到数据库 save_to_db(filename, results) return jsonify(results)4.2 前端界面开发使用Vue.js Element UI构建的管理界面主要功能图像上传与结果显示缺陷统计图表历史记录查询关键组件设计template div classupload-container el-upload action/api/upload :on-successhandleSuccess :before-uploadbeforeUpload el-button typeprimary点击上传/el-button /el-upload div v-ifresult classresult-container h3检测结果/h3 el-image :srcresult.image :preview-src-list[result.image]/el-image el-table :dataresult.defects el-table-column proptype label缺陷类型/el-table-column el-table-column propconfidence label置信度/el-table-column el-table-column propposition label位置/el-table-column /el-table /div /div /template5. 系统部署与优化5.1 生产环境部署采用Docker容器化部署方案Dockerfile配置FROM pytorch/pytorch:1.9.0-cuda11.1-cudnn8-runtime WORKDIR /app COPY . . RUN pip install -r requirements.txt EXPOSE 5000 CMD [gunicorn, -b, 0.0.0.0:5000, app:app, --workers4]部署命令docker build -t shoe-inspection . docker run -d -p 5000:5000 --gpus all shoe-inspection5.2 性能优化措施GPU加速device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device)批处理优化当检测队列中有多个请求时自动合并为批次处理使用torch.no_grad()减少内存占用缓存机制对常见鞋型的检测结果进行缓存使用Redis存储高频访问数据6. 实际应用效果6.1 性能指标在测试集上的表现指标数值mAP0.50.92推理速度0.45s/image最大吞吐量50 images/s6.2 与传统方法对比对比项人工检测本系统单次检测时间3-5秒0.5秒准确率~85%92%连续工作时长8小时24小时人力成本高低6.3 用户反馈在试用阶段收集到的改进建议增加多角度拍摄指导支持视频流检测添加缺陷严重程度分级7. 开发经验与心得7.1 遇到的主要挑战小目标检测问题 部分细小缺陷如线头容易被漏检。解决方案增加更多小目标样本调整anchor大小使用更高分辨率的输入(从640x640提升到1024x1024)光照条件影响 现场光照不均导致检测不稳定。解决方案在预处理中添加直方图均衡化训练时增加更多光照变化的数据增强7.2 值得分享的技巧标签平滑# 在数据加载器中设置 hyp[label_smoothing] 0.1模型集成 将YOLOv5s和YOLOv5m的预测结果加权融合mAP提升约2%误检过滤 根据缺陷的位置和大小设置合理的过滤规则7.3 项目扩展方向增加3D缺陷检测能力开发移动端应用支持现场快速检测集成到工厂MES系统中实现全自动化质检流水线这个项目从构思到实现共耗时3个月期间遇到了不少挑战但也收获了很多宝贵的经验。深度学习在工业质检领域的应用前景广阔但要将实验室模型转化为真正可用的产品还需要考虑很多工程细节。希望我的经验对正在从事相关开发的同行有所启发。
实现：从递归到迭代的算法详解与实战)
