1. 项目背景与核心价值
焊接质量检测一直是工业制造领域的关键环节。传统的人工目检方式存在效率低、主观性强、漏检率高等问题。我们团队开发的这套基于深度学习的焊接缺陷检测系统，采用ResNet18作为主干网络，结合PyQt5开发了可视化操作界面，能够实现焊接缺陷的自动化分类识别。
这套系统主要解决以下几个痛点：
- 人工检测速度慢（平均每个焊点需要3-5秒）
- 缺陷识别准确率不稳定（受检测员经验影响大）
- 检测结果难以数字化存档
- 夜间或恶劣环境下的检测质量下降
2. 系统架构设计
2.1 整体技术路线
系统采用经典的"数据采集→模型训练→应用部署"流程：
- 工业相机采集焊接图像
- 图像预处理（尺寸归一化、增强等）
- ResNet18模型推理
- 结果可视化展示
2.2 核心组件选型
- 主干网络：选择ResNet18而非更大模型，主要考虑：
- 工业场景对实时性要求高（<200ms/图）
- 焊接缺陷特征相对明显，不需要太深网络
- 模型大小控制在40MB以内，便于部署
- 开发框架：
- PyTorch 1.8（模型训练）
- PyQt5 5.15（界面开发）
- OpenCV 4.5（图像处理）
3. 关键技术实现
3.1 数据准备
我们收集了约15,000张焊接图像，包含：
- 正常焊点（5,000张）
- 气孔缺陷（4,000张）
- 裂纹缺陷（3,500张）
- 未焊透（2,500张）
数据增强策略：
python复制transform = transforms.Compose([
transforms.RandomHorizontalFlip(p=0.5),
transforms.RandomRotation(10),
transforms.ColorJitter(brightness=0.2, contrast=0.2),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
3.2 模型训练
关键训练参数：
python复制model = resnet18(pretrained=True)
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, 4) # 4分类
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=7, gamma=0.1)
criterion = nn.CrossEntropyLoss()
训练曲线显示：
- 验证集准确率：96.3%
- 单图推理时间：158ms（RTX 3060）
- 模型大小：42.7MB
4. 系统界面开发
4.1 PyQt5界面设计
主要功能模块：
python复制class MainWindow(QMainWindow):
def __init__(self):
super().__init__()
# 图像显示区域
self.image_label = QLabel()
# 结果展示区域
self.result_table = QTableWidget(4, 2)
# 控制按钮
self.load_btn = QPushButton("加载图像")
self.detect_btn = QPushButton("开始检测")
4.2 功能实现要点
- 多线程处理防止界面卡顿
- 支持常见图像格式（jpg/png/bmp）
- 检测结果可视化标注
- 检测报告自动生成
5. 部署优化技巧
5.1 模型量化
python复制model = torch.quantization.quantize_dynamic(
model, {nn.Linear}, dtype=torch.qint8
)
- 模型大小缩减至11.2MB
- 推理速度提升至89ms
5.2 ONNX转换
bash复制torch.onnx.export(model, dummy_input, "welding_defect.onnx",
opset_version=11)
实现跨平台部署能力
6. 常见问题解决
6.1 图像采集问题
- 反光干扰：建议使用偏振滤镜
- 对焦不准：设置固定焦距（推荐35-50mm）
- 光照不均：环形光源+漫射板
6.2 模型性能问题
- 过拟合：增加Dropout层（p=0.3）
- 误检率高：调整分类阈值（建议>0.85）
- 推理慢：启用TensorRT加速
7. 实际应用案例
在某汽车零部件生产线上的测试结果：
- 检测速度：12件/分钟（人工检测5件/分钟）
- 准确率：98.2%（人工检测92.7%）
- 漏检率：0.3%（人工检测2.1%）
产线主管反馈："系统运行稳定，特别是对微小气孔的检出率明显高于人工检测，帮助我们将不良品率降低了37%。"
8. 扩展开发建议
- 增加YOLOv8实现缺陷定位
- 集成MES系统实现质量追溯
- 开发移动端APP（Flutter+ONNX）
- 添加声光报警装置
实际部署中发现，保持相机清洁度对检测精度影响很大。建议每周用无水酒精清洁镜头，并建立定期校准机制。