---

从产线痛点说起

上个月参观某电子厂时，产线主管指着堆积如山的退货品苦笑："这批电路板有3%的隐形划痕漏检，导致整批产品召回，损失够买十台检测设备了"。传统人工质检面临三大难题：

• 肉眼疲劳：工人连续检查2小时后，漏检率飙升40%
• 标准不一：不同班次判定尺度差异导致质量波动
• 成本高企：深圳质检员月薪已突破8K，还难招到人

技术选型：为什么是YOLOv5？

传统OpenCV方案（如Canny边缘检测）在规则缺陷上表现尚可，但遇到以下场景就力不从心：

1. 复杂背景：反光金属表面的细微裂纹
2. 形态变异：非标准位置的焊点缺陷
3. 微小目标：小于10x10像素的元件缺损

YOLOv5s（小型版本）在工业场景的优势非常明显：

• 单张Tesla T4显卡即可训练
• 640x640输入分辨率下达到130FPS
• 自带数据增强管道减少过拟合

实战四步走

第一步：数据标注规范

使用LabelImg时特别注意：

1. 标注框务必贴紧缺陷边缘（1-2像素公差）
2. 对模糊样本采用多人标注投票机制
3. 类别命名统一用英文驼峰式（如"solderBubble"）

# 标注文件检查脚本示例
import xml.etree.ElementTree as ET

def check_annotation(xml_path):
    tree = ET.parse(xml_path)
    size = tree.find("size")
    width = int(size.find("width").text)
    for obj in tree.findall("object"):
        bbox = obj.find("bndbox")
        xmax = int(bbox.find("xmax").text)
        if xmax > width:
            print(f"错误标注：{xml_path} 框超出图像边界")

第二步：模型训练技巧

关键配置参数（yolov5s.yaml）：

augmentation:
  hsv_h: 0.015  # 色相扰动
  hsv_s: 0.7    # 饱和度增强
  fliplr: 0.5   # 水平翻转
  mosaic: 1.0   # 马赛克增强

启动训练时建议用渐进式图像尺寸：

python train.py --img 320 --epochs 50  # 初始阶段
python train.py --img 640 --epochs 30  # 微调阶段

第三步：模型瘦身部署

FP16量化示例（需TensorRT 8.0+）：

import torch
from torch2trt import torch2trt

model = torch.load("yolov5s.pt")
x = torch.randn(1,3,640,640).cuda()
model_trt = torch2trt(
    model, [x], 
    fp16_mode=True,
    max_workspace_size=1<<25
)

第四步：异常处理机制

针对光照变化的三重保障：

1. 在线白平衡校正（OpenCV CLAHE）
2. 动态阈值NMS（遮挡时调低iou_thres）
3. 多帧验证机制（连续3帧检测到才报警）

生产环境避坑指南

类别不平衡

# 在loss.py中修改分类损失
loss_fcn = FocalLoss(
    alpha=[0.8, 0.2],  # 正负样本权重
    gamma=2.0,         # 难易样本调节
    reduction='mean'
)

版本控制策略

推荐目录结构：

models/
├── v1.0/  # 初始版本
│   ├── train_config.json
│   └── best.pt
└── v1.1/  # 优化版本
    ├── compare_report.pdf
    └── quantized.onnx

内存泄漏排查

使用Jetson Nano时必备命令：

watch -n 1 "free -m && nvidia-smi | grep -A 1 Processes"

未完待续

当前系统在1000+样本时表现良好，但遇到新型缺陷仍需200+标注样本。大家有什么小样本学习方案的建议？欢迎在评论区分享你的实战经验！