工业相机采集
1920×1080 BMP 原图，环形光源统一成像条件，单张约 2MB
工业零件质检系统
机器视觉实训 · 深圳职业技术大学 · 23智能2
工业相机采图 · labelme 标注管线 · ResNet18 迁移学习 · Gradio 检测台
10
零件检测课题
224²
输入分辨率
1920P
工业相机采图
2
合格 / 不合格
01项目概述
面向制造业产线场景的外观质检系统：工业相机环形光源下采集零件图像，经标注、训练得到判定模型，最终通过 Web 检测台实现"上传即判"。实训覆盖亚克力板、纽扣边缘、垫片外观与尺寸、电阻、薄荷糖、餐具、电池等十类零件检测课题，最终版聚焦包装外观的合格 / 不合格二分类。
02数据管线
labelme 标注
逐张 JSON 标注,脚本按标签自动重命名并注入文件名
逐张 JSON 标注,脚本按标签自动重命名并注入文件名
数据集划分
脚本自动切分 train / val / test 三集，文件名即标签,无需额外标注文件
脚本自动切分 train / val / test 三集，文件名即标签,无需额外标注文件
预处理
Resize 224×224 + ImageNet 均值方差归一化，与推理端严格一致
Resize 224×224 + ImageNet 均值方差归一化，与推理端严格一致
03模型与训练
| 环节 | 方案 |
|---|---|
| 骨干网络 | ResNet18（ImageNet 预训练权重迁移） |
| 输出头 | 全连接层改为单神经元 + Sigmoid 二分类 |
| 损失函数 | BCEWithLogitsLoss 二元交叉熵 |
| 优化器 | Adam · lr 0.001 · Batch 32 · 10 Epochs |
| 评估 | 每轮输出 train/val 双指标，训练后测试集独立评估 |
04检测台与运行效果
推理端用 Gradio 搭建质检检测台：上传零件照片,模型输出合格 / 不合格判定与置信度。推理管线直接处理 PIL 图像、不落盘临时文件,与训练端共用同一套预处理保证一致性。
工业相机环形光源下的真实采图（薄荷糖包装质检课题）
05技术选型
| 模块 | 技术 |
|---|---|
| 深度学习 | PyTorch · torchvision ResNet18 |
| 数据标注 | labelme · 自动化划分脚本 |
| 推理界面 | Gradio Blocks 检测台 |
| 硬件 | 工业相机 + 环形光源 · CUDA 加速训练 |
这是作品集里唯一直接面向制造业产线的项目——从打光采图、标注管线到模型部署走完质检系统的完整闭环，也是迁移学习在小样本工业场景下的标准实践：用 ImageNet 预训练特征,几百张产线图就能得到可用的判定模型。