一、项目背景：为什么要做熔喷布缺陷检测？
熔喷布是口罩、防护服的核心材料，其质量直接关系到防护效果 —— 哪怕是 0.2mm 的点状瑕疵、丝状划痕，都可能导致防护失效。但传统检测靠 “人工目检”，存在三大问题：
- 效率低：工人每天最多检测 500 米，远跟不上生产线速度（每秒 1-2 米）；
- 准确率低：长时间检测易疲劳，小缺陷漏检率高达 20%；
- 标准不统一：不同工人对 “划痕”“缺纱” 的判断标准不一致，导致产品质量波动。
我的毕业设计目标就是解决这些问题：基于深度学习（YOLOv5）设计一套自动检测系统，实现 “实时抓拍→缺陷识别→位置定位→结果输出” 全流程自动化，满足工业生产线 “高准确率（≥85%）+ 高实时性（≥20FPS）” 的需求。
二、核心方案：从硬件采集到算法改进
系统分为 “图像采集” 和 “算法检测” 两大模块，整体流程如图 1 所示：
简单说就是：用工业相机抓拍生产线的熔喷布图像，通过算法自动识别 “点状瑕疵、丝状瑕疵、划痕、缺纱、断裂”5 类缺陷，最后在触控屏上显示检测结果（缺陷类型 + 位置）。
三、第一步：硬件搭建 —— 采集清晰的缺陷图像
要让算法 “看清楚” 缺陷，首先得有高质量的图像。我花了 2 周时间搭建图像采集系统，核心硬件选型和参数如下：
3.1 核心硬件清单
| 硬件模块 | 型号 / 规格 | 核心作用 |
|---|---|---|
| 工业相机 | JAI CM-200GE（CCD） | 抓拍熔喷布图像，分辨率 1620×1220（200 万像素），全分辨率下 25 帧 / 秒，确保无拖影。 |
| 工业镜头 | 大恒 HN-2514-2M-C2/3X | 焦距 18.6mm，匹配相机靶面（14.111mm），工作距离 250mm 时，视野 190mm（覆盖生产线宽度）。 |
| 照明系统 | LED 正向单侧光源 | 从相机同侧打光，突出熔喷布表面缺陷（背向照明会遮挡纹理，正向照明更适合表面检测）。 |
| 触控屏 | 威纶通 MT8071IP（7 寸） | 人机交互界面，显示实时检测结果（缺陷类型、数量、准确率），支持手动启停检测。 |
| 计算机 | AMD Ryzen7 5800H + GTX3050 | 运行 YOLOv5 算法，16G 内存确保模型加载和推理不卡顿。 |
3.2 关键调试技巧
- 避免图像模糊：生产线熔喷布在移动，相机帧率需≥25 帧 / 秒（与生产线速度匹配），同时关闭自动对焦（固定焦距 250mm）；
- 突出缺陷对比：LED 光源亮度调至 80%，角度与相机呈 30°（避免反光掩盖缺陷）；
- 减少噪声：相机曝光时间设为 1/1000 秒（短曝光减少运动模糊），并开启硬件降噪功能。
四、第二步：数据集制作 —— 算法的 “粮食”
深度学习靠数据驱动，但没有开源的熔喷布缺陷数据集，只能自己做！整个过程花了 1 个月，核心步骤如下：
4.1 数据采集
用搭建的硬件系统，在工厂生产线抓拍了 240 张原始图像，涵盖 5 类缺陷：
- 点状瑕疵（62 张）：熔喷布表面的小黑点、小孔；
- 丝状瑕疵（48 张）：纤维丝粘连形成的细长痕迹；
- 划痕（52 张）：机器摩擦导致的线性划痕；
- 缺纱（45 张）：局部纤维缺失形成的空白区域；
- 断裂（33 张）：熔喷布边缘或中间的断裂口。
4.2 数据标注
用LabelImg 工具标注缺陷（目标检测需标矩形框），标注格式选 YOLO 专用的 “txt 格式”，每个 txt 文件对应一张图像，内容示例：
plaintext
# 格式：缺陷类别ID 中心点x 中心点y 宽 高（均为归一化值）
0 0.35 0.42 0.02 0.03 # 0=点状瑕疵，中心点(35%,42%)，宽2%，高3%
1 0.68 0.25 0.05 0.01 # 1=丝状瑕疵
类别 ID 对应表：0 = 点状、1 = 丝状、2 = 划痕、3 = 缺纱、4 = 断裂。
4.3 数据增强 —— 解决样本少的问题
240 张图像太少，容易导致模型过拟合，所以用 Python 做了 5 种数据增强，把数据集扩充到 2160 张：
- 曝光度调整：随机增加 / 降低 30% 亮度（模拟不同生产光线）；
- 加噪声：添加椒盐噪声（模拟相机传感器噪声）；
- 旋转：随机旋转 0-360°（适应熔喷布不同摆放角度）；
- 翻转：水平 / 垂直翻转（扩充数据多样性）；
- Mosaic 增强：将 4 张图像拼接成 1 张（YOLOv5 专用，提升小目标检测效果）。
最终数据集划分：
- 训练集：1440 张（66.7%）
- 验证集：360 张（16.7%）
- 测试集：360 张（16.7%）
五、第三步：算法实现与改进 —— 从 YOLOv5 到优化版
一开始用原始 YOLOv5 检测，小缺陷（如点状瑕疵）漏检率高，所以做了两处改进，最终准确率从 82.9% 提升到 89.4%。
5.1 原始 YOLOv5 的问题
- 主干网络用 Darknet53，靠卷积核提取特征，但熔喷布缺陷小（≤50 像素），卷积核只能捕捉局部特征，全局信息不足；
- 特征融合简单，浅层特征（边缘信息）和深层特征（语义信息）没有充分结合，小缺陷易被忽略。
5.2 改进方案 1：YOLOv5-tf（替换主干网络）
把 Darknet53 换成Swin-Transformer，它能把图像分成小 Patch，通过自注意力计算全局特征，更适合小缺陷检测。
- 原理：Swin-Transformer 将 1620×1220 图像分成 16×16 的 Patch，计算每个 Patch 与周围的关联，捕捉 “小缺陷在全局中的位置信息”；
- 效果：在测试集上，缺纱缺陷的 AP@0.5 从 69.5% 提升到 99.2%，漏检率下降 30%。
5.3 改进方案 2：YOLOv5-MSAM（加注意力机制）
在特征融合层加入多尺度注意力模块（MSAM） ，让模型更关注缺陷区域：
- 原理：对不同尺度的特征图（如 80×80、40×40、20×20）分别计算注意力权重，放大缺陷特征，抑制背景噪声；
- 效果：划痕缺陷的 AP@0.5 从 86.2% 提升到 96.4%，误检率（把背景当缺陷）下降 15%。
5.4 最终算法对比
| 算法版本 | mAP50（平均精度） | 检测速度（FPS） | 核心优势 |
|---|---|---|---|
| 原始 YOLOv5 | 82.9% | 28 | 速度快，适合大缺陷 |
| YOLOv5-tf | 89.4% | 22 | 全局特征好，小缺陷漏检少 |
| YOLOv5-MSAM | 91.7% | 19 | 注意力聚焦缺陷，误检率低 |
| 最终融合版（tf+MSAM） | 92.3% | 18 | 平衡准确率和速度，满足工业需求 |
六、第四步：系统测试与实际效果
6.1 测试环境
- 软件：Python 3.7 + PyTorch 1.9 + CUDA 11.1（GPU 加速推理）；
- 测试集：360 张图像，含 1224 个缺陷（点状 204 个、丝状 155 个、划痕 201 个、缺纱 209 个、断裂 118 个）。
6.2 核心测试结果
- 准确率：最终融合版算法在测试集上的 AP@0.5 为 92.3%，其中丝状瑕疵、断裂的准确率达 98% 以上，点状瑕疵因太小（≤20 像素）准确率 85%，符合工业要求（≥85%）；
- 实时性：单张图像推理时间 55ms，即 18FPS，能跟上生产线 1 米 / 秒的速度（每秒需处理 10-20 张图像）；
- 误检率：误检率 3.2%（主要是把熔喷布纹理误判为点状瑕疵），可通过后续优化纹理过滤算法降低。
6.3 实际应用截图
界面显示：实时视频流、缺陷类型（红色框标注）、检测准确率、今日缺陷统计，工人可一键导出检测报告。
编辑
七、毕业设计复盘：踩过的坑与经验
7.1 那些踩过的坑
-
图像模糊导致算法失效
- 问题：一开始用普通 USB 相机，帧率只有 15 帧 / 秒，熔喷布移动时图像模糊，算法无法识别小缺陷；
- 解决：换成工业 CCD 相机（25 帧 / 秒），并把曝光时间缩短到 1/1000 秒，图像清晰度提升 50%。
-
数据集不平衡导致过拟合
- 问题：原始数据中 “点状瑕疵” 多（62 张），“断裂” 少（33 张），模型对 “断裂” 识别准确率只有 70%；
- 解决：对少样本类别（断裂、缺纱）做针对性增强（多旋转、多翻转），扩充后 “断裂” 样本从 33 张增加到 198 张，准确率提升到 92%。
-
GPU 内存不足导致训练中断
- 问题：YOLOv5-tf 模型大，训练时 batch_size 设为 16 就会爆内存（GTX3050 只有 4G 显存）；
- 解决：用梯度累积（gradient accumulation），把 batch_size 拆成 4 次小批量训练，等效 16 的 batch_size，同时关闭不必要的日志打印，内存占用降低 40%。
7.2 给学弟学妹的建议
- 硬件先跑通，再做算法：别一开始就扎进算法优化，先确保采集的图像清晰 —— 模糊的图像，再牛的算法也没用；
- 小步迭代，别追求一步到位：先实现原始 YOLOv5 的检测，再逐步改进主干网络、加注意力机制，每次改进后对比效果，避免盲目优化；
- 多去工厂调研：工业场景和实验室不同，比如生产线的光线、熔喷布速度会变，算法要考虑鲁棒性（如多光线数据增强）。
八、附：项目资源获取
完整项目包含：
- 硬件清单及接线图：工业相机、镜头、光源的连接方式和参数配置；
- 代码：YOLOv5-tf、YOLOv5-MSAM 的改进代码，含数据增强、训练、推理全流程；
- 数据集：2160 张标注好的熔喷布缺陷图像（含 txt 标注文件）；
- 答辩 PPT：含系统架构、实验对比、实际效果截图，可直接修改使用。
