1. 项目背景与核心价值
在制鞋工业的质量检测环节中,鞋面缺陷识别一直是个劳动密集型工作。传统方式依赖人工目检,不仅效率低下(每小时最多检测200-300双),且受工人疲劳度影响,漏检率常达5%-8%。我们团队开发的这套基于深度学习的鞋面缺陷识别系统,采用YOLOv5目标检测框架,在真实产线测试中实现了98.3%的识别准确率,单台设备每小时可处理1500双鞋的检测任务。
这个毕设项目的独特价值在于:
- 首次将注意力机制引入鞋面缺陷检测领域,通过改进的CBAM模块使细微划痕的识别率提升27%
- 开发了适用于工业场景的轻量化模型,在Jetson Xavier NX边缘设备上实现23FPS实时检测
- 构建了包含12类常见缺陷的数据集(划痕、胶渍、色差等),已开源8,000张标注样本
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术方案设计
2.1 整体架构设计
系统采用"云端协同"的双层架构:
code复制[工业相机] → [边缘计算盒] → [缺陷分类服务器] → [MES系统]
(实时检测) (二次验证)
边缘端部署轻量级YOLOv5s模型负责实时检测,云端采用ResNet50进行高精度分类验证。这种设计既保证了实时性(<50ms延迟),又确保了关键缺陷的识别准确率。
2.2 核心模型选型
经过对比实验,我们最终选择的模型方案:
python复制# 模型配置示例
model = YOLOv5(
depth_multiple=0.33, # 轻量化设计
width_multiple=0.50,
anchors=[[10,13], [16,30], [33,23]], # 适配鞋面小目标
cbam=True # 添加注意力模块
)
选择依据:
- 相比Faster R-CNN,YOLO系列速度提升5倍以上
- 对比YOLOv4,v5的FP16推理速度在边缘设备上快38%
- 加入CBAM模块后,细微缺陷的mAP@0.5提升12.6%
2.3 数据增强策略
针对工业场景数据不足的问题,设计了特殊的数据增强方案:
python复制train_transforms = Compose([
RandomPerspective(scale=(0.05, 0.1)
