工业缺陷检测一直是计算机视觉领域的硬骨头，尤其是在铝材、PCB板等精密制造场景。最近在项目中用HRNet替代传统方案后，效果提升显著，记录下实战经验供参考。

一、工业质检的三大核心痛点

1. 小目标检测：螺丝孔裂纹、划痕等缺陷往往只有几个像素大小，普通CNN下采样后特征几乎消失
2. 光照干扰：工厂环境光照不均匀，金属反光会导致传统算法误检率飙升
3. 实时性要求：生产线传输带速度通常达2-4m/s，模型推理必须控制在50ms以内

二、模型选型对比实验

在铝材缺陷数据集上的对比数据（Tesla T4显卡）：

| 模型 | mAP@0.5 | FPS | 显存占用 | |--------------|---------|------|----------| | Faster R-CNN | 62.3% | 18 | 4.2GB | | U-Net | 68.7% | 25 | 3.1GB | | HRNet-w32 | 85.4% | 22 | 3.8GB |

HRNet通过并联高低分辨率分支，在保持实时性的情况下显著提升了小目标检测精度。

三、核心代码实现

关键点在于heatmap生成与特征聚合，以下是PyTorch实现片段：

# HRNet特征聚合模块
class FusionModule(nn.Module):
    def __init__(self, channels):
        super().__init__()
        self.fuse_conv = nn.Sequential(
            nn.Conv2d(channels*4, channels, 1),  # 降维
            nn.BatchNorm2d(channels),
            nn.ReLU(inplace=True)
        )

    def forward(self, features):
        # features是来自4个分辨率分支的特征图列表
        h, w = features[0].size()[2:]

        # 上采样所有特征到最高分辨率
        fused = torch.cat([
            F.interpolate(f, size=(h,w), mode='bilinear', align_corners=True) 
            for f in features
        ], dim=1)

        return self.fuse_conv(fused)

# Heatmap生成（缺陷定位）
def generate_heatmap(features, num_defects=5):
    # 使用1x1卷积输出热力图
    heatmap = nn.Conv2d(features.size(1), num_defects, 1)(features)
    return torch.sigmoid(heatmap)  # 归一化到0-1

四、生产部署优化

TensorRT量化步骤：

1. 导出ONNX模型时固定动态轴：

   torch.onnx.export(model, dummy_input, "hrnet.onnx", 
                   input_names=["input"], 
                   output_names=["output"],
                   dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}})

2. 使用trtexec进行FP16量化：

   trtexec --onnx=hrnet.onnx --saveEngine=hrnet_fp16.trt --fp16

ONNXruntime线程池配置（config.py）：

import onnxruntime as ort

options = ort.SessionOptions()
options.intra_op_num_threads = 4  # 每会话独占线程数
options.inter_op_num_threads = 2  # 并行操作数
session = ort.InferenceSession("model.onnx", sess_options=options)

五、生产环境避坑指南

• 标注数据清洗：
• 使用DBSCAN聚类检查标注点异常聚集

• 对每个标注员抽检10%样本做交叉验证

• 模型热更新方案：

• 采用AB测试架构，新模型先分流10%流量
• 使用Redis存储模型版本和灰度策略
• 通过gRPC实现模型动态加载

六、开放问题思考

HRNet通过保持高分辨率特征取得了精度突破，但在实际部署时会发现： - 深层网络对计算资源消耗呈指数增长 - 工业场景往往需要平衡成本和性能

目前我们采用的折中方案是： - 产线前端使用HRNet-w18轻量版 - 质检终端部署HRNet-w32做复检 - 正在试验知识蒸馏方案压缩模型

欢迎同行交流更多优化思路！