AI赋能传统行业：一小时搭建工业缺陷检测系统-程序员充电站

AI赋能传统行业：一小时搭建工业缺陷检测系统

作为一名制造业工程师，你是否经常面临这样的困境：生产线上的产品缺陷检测依赖人工目检，效率低且容易漏检？传统机器视觉方案开发周期长、成本高，工厂IT环境又限制严格，难以快速验证AI方案的可行性？本文将带你用一小时搭建一个基于深度学习的工业缺陷检测系统，无需复杂环境配置，快速验证概念可行性。

这类任务通常需要GPU环境支持深度学习模型推理。目前CSDN算力平台提供了包含PyTorch、CUDA等基础工具的预置环境，可快速部署验证。下面我们就从零开始，完成这个轻量级AI质检系统的搭建。

为什么选择深度学习进行缺陷检测

传统机器视觉检测方法通常需要人工设计特征提取规则，对于复杂缺陷（如纹理变化、微小划痕等）识别率有限。而深度学习模型能够自动学习缺陷特征，具有以下优势：

适应性强：可处理多种类型的表面缺陷
准确率高：在标准数据集上可达95%以上识别准确率
泛化性好：经过适当训练可适应不同产品线

快速搭建缺陷检测系统

环境准备

系统需要以下基础环境：

Python 3.8+
PyTorch 1.12+
OpenCV
CUDA 11.3（推荐）

在CSDN算力平台，你可以直接选择预装这些环境的镜像，省去手动配置的麻烦。

数据准备

收集缺陷样本是第一步。建议：

每种缺陷至少50张样本
包含不同角度、光照条件下的图像
正样本（合格品）与负样本（缺陷品）比例均衡

典型的数据目录结构如下：

dataset/ ├── train/ │ ├── good/ # 正样本 │ └── defect/ # 负样本 └── test/ ├── good/ └── defect/

模型选择与训练

我们使用轻量级的ResNet18作为基础模型：

import torch import torchvision.models as models model = models.resnet18(pretrained=True) # 修改最后一层全连接层 num_ftrs = model.fc.in_features model.fc = torch.nn.Linear(num_ftrs, 2) # 二分类

训练脚本示例：

from torchvision import transforms, datasets import torch.optim as optim # 数据增强 transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) # 加载数据集 train_dataset = datasets.ImageFolder('dataset/train', transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True) # 训练配置 criterion = torch.nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 训练循环 for epoch in range(10): # 10个epoch running_loss = 0.0 for i, data in enumerate(train_loader, 0): inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch {epoch+1}, loss: {running_loss/len(train_loader)}')

模型部署与推理

训练完成后，可以将模型导出为ONNX格式便于部署：

dummy_input = torch.randn(1, 3, 224, 224) torch.onnx.export(model, dummy_input, "defect_detection.onnx")

推理代码示例：

import cv2 import numpy as np def preprocess(image): # 与训练时相同的预处理 image = cv2.resize(image, (224, 224)) image = image.astype(np.float32) / 255.0 image = (image - [0.485, 0.456, 0.406]) / [0.229, 0.224, 0.225] return image.transpose(2, 0, 1)[np.newaxis, ...] def predict(image_path): image = cv2.imread(image_path) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) input_tensor = preprocess(image) outputs = model(torch.from_numpy(input_tensor)) _, preds = torch.max(outputs, 1) return "缺陷" if preds.item() == 1 else "合格"