基于计算机的毕业论文选题与创新路径研究

一、前言

导师，这篇论文总算弄完了。搞了小半年，光调那个卷积神经网络就折腾了快俩月。当初选这个题，就是觉得现在工厂里好多还靠人眼去看产品有没有划痕、污点，太累效率还低。我就想试试能不能用深度学习弄个自动检测的玩意儿出来。

二、系统总体设计思路

整个系统大概分三块：数据准备、模型训练、实际部署。数据这块最头疼，去合作工厂拍了几千张带缺陷的金属件照片，但有些缺陷太不明显了，得手动标注。模型这块我选了YOLOv5做基础，因为它速度比较快，适合生产线上实时用。自己改了下网络结构，加了几个注意力机制模块，让模型能更关注缺陷区域。

三、核心算法实现与优化

训练过程就是不断试错。一开始用的数据集太小，模型老是过拟合。后来用了数据增强，比如旋转、加噪声、改变亮度，才把泛化能力提上去。损失函数也换成了Focal Loss，主要为了解决正负样本不均衡问题。实际跑起来，发现小缺陷容易漏检，又把特征金字塔网络优化了下，把浅层和深层的特征图融合得更好了。

四、实验结果分析

在测试集上，平均精度均值到了94.7%，比传统方法高了大概十二个百分点。单张图片检测时间平均是76毫秒，基本能满足生产线要求。不过光照变化大的时候，性能还是会有点下降，这个在部署时得把打光环境整稳定点。

五、系统部署与应用测试

我用PyQt做了个简单的操作界面，能显示实时画面和检测结果。去工厂实地测试了一周，误报率大概2%，主要是有些油污反光会被认成缺陷。和产线上的老师傅交流，他们觉得这个系统能减轻不少工作量，就是遇到新类型的缺陷还得人工教一下系统。

六、遇到的问题与解决办法

主要问题是算力不够，训练大模型时电脑老卡死。后来用了迁移学习，拿预训练模型做初始化，省了不少时间。还有就是工业现场环境复杂，摄像头容易抖，加了图像稳定算法才好点。

七、总结与体会

这系统算是个初步成果，基本达到了预期目标。写代码改模型其实不难，难的是怎么让算法适应真实的工厂环境。这次做论文让我明白，搞计算机的不光要懂技术，还得懂应用场景。下一步可以考虑把多摄像头数据融合加进去，或者试试视觉Transformer模型。

Redmon J, Divvala S, Girshick R, et al. You Only Look Once: Unified, Real-Time Object Detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016: 779-788.

Lin T Y, Goyal P, Girshick R, et al. Focal Loss for Dense Object Detection[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 2980-2988.

张广军. 机器视觉[M]. 科学出版社, 2005.