工业异常检测：轻量级Python训练与C++ Qt5部署方案

1. 项目概述：工业异常检测的轻量化解决方案

这个开源项目提供了一套完整的工业异常检测工作流，从Python模型训练到C++ Qt5图形界面部署，再到标注数据集的使用。在当前智能制造和工业4.0背景下，这套方案特别适合中小型制造企业快速搭建自己的质量检测系统。

我曾在多个工业视觉项目中实践过类似方案，这套工具链最大的优势在于：

• 训练端使用Python，方便快速迭代模型
• 部署端采用C++ Qt5，保证在工业环境下的稳定运行
• 提供标注数据集，大幅降低项目启动门槛

2. 核心组件解析

2.1 SimpleNet模型架构

SimpleNet作为轻量级异常检测网络，其设计充分考虑了工业场景的三个核心需求：

1. 实时性：模型参数量控制在1M以内
2. 鲁棒性：采用多尺度特征融合结构
3. 易训练：只需正常样本即可完成训练

模型的核心创新点在于：

python复制class SimpleNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.encoder = nn.Sequential(
            nn.Conv2d(3, 32, 3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2),
            # 中间层省略...
        )
        self.decoder = nn.Sequential(
            # 反卷积层...
        )
        self.anomaly_head = nn.Linear(128, 1)

注意：实际部署时建议将PyTorch模型转为ONNX格式，可减少30%推理时间

2.2 训练流程优化技巧

基于项目提供的训练代码，我总结了几点实战经验：

1. 数据增强策略：

   • 只对正常样本做增强（旋转、平移、噪声）
   • 避免使用色彩变换，保持工业图像真实性

2. 损失函数选择：

python复制criterion = FocalLoss(gamma=2)  # 比MSE更适合异常检测

3. 学习率调度：