ResNet18异常检测应用：工业质检快速验证方案

引言

在工厂生产线上，质检环节往往是最耗时且容易出错的环节之一。想象一下，如果能让AI像经验丰富的质检员一样，快速识别产品表面的划痕、裂纹或装配错误，那将大幅提升生产效率和产品质量。这就是我们今天要介绍的ResNet18异常检测方案。

ResNet18是一种轻量级的深度学习模型，特别适合工业质检这种需要快速响应且计算资源有限的场景。它就像是一个经过专业训练的"火眼金睛"，能在毫秒级别判断产品是否合格。对于工厂工程师来说，最大的痛点往往是产线电脑性能不足，无法直接运行复杂的AI模型。而通过云端GPU资源，我们可以轻松解决这个问题。

本文将带你从零开始，用最简单的步骤验证ResNet18在工业质检中的应用效果。即使你没有任何深度学习经验，也能在30分钟内完成第一次异常检测测试。

1. 环境准备：5分钟搭建云端实验环境

1.1 选择适合的GPU镜像

首先我们需要一个已经预装好PyTorch和ResNet18模型的运行环境。在CSDN星图镜像广场中，选择包含以下配置的基础镜像：

PyTorch 1.12+
CUDA 11.3
torchvision 0.13+
预训练好的ResNet18模型

这个镜像就像是一个已经装好所有工具的"工具箱"，开箱即用，省去了复杂的安装配置过程。

1.2 启动GPU实例

选择镜像后，按照以下步骤启动实例：

选择GPU型号（建议至少8GB显存）
设置存储空间（20GB足够用于测试）
点击"一键部署"

等待1-2分钟，系统会自动完成环境准备。部署成功后，你会获得一个可以直接访问的Jupyter Notebook环境。

2. 数据准备：构建你的质检数据集

2.1 收集样本图像

工业质检通常需要两类样本：

正常产品图像（至少100张）
缺陷产品图像（至少50张）

实际操作中，可以用手机拍摄产线上的产品照片。建议从多个角度拍摄，确保覆盖各种可能的缺陷情况。

2.2 组织数据目录

将图像按以下结构组织：

dataset/ ├── train/ │ ├── normal/ # 正常样本 │ └── defect/ # 缺陷样本 └── val/ ├── normal/ # 验证用正常样本 └── defect/ # 验证用缺陷样本

建议按8:2的比例分配训练集和验证集。如果样本不足，可以使用数据增强技术。

3. 模型训练：10分钟完成ResNet18微调

3.1 加载预训练模型

在Jupyter Notebook中运行以下代码：

import torch import torchvision.models as models # 加载预训练的ResNet18模型 model = models.resnet18(pretrained=True) # 修改最后一层，适配二分类任务 num_features = model.fc.in_features model.fc = torch.nn.Linear(num_features, 2) # 2表示正常/缺陷两个类别

这段代码先加载了在ImageNet上预训练好的ResNet18模型，然后修改了最后一层全连接层，使其适合我们的二分类任务。

3.2 准备数据加载器

from torchvision import transforms, datasets # 定义数据增强和归一化 transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) # 加载数据集 train_dataset = datasets.ImageFolder('dataset/train', transform=transform) val_dataset = datasets.ImageFolder('dataset/val', transform=transform) # 创建数据加载器 train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True) val_loader = torch.utils.data.DataLoader(val_dataset, batch_size=32, shuffle=False)

这里我们对图像进行了标准化处理，确保输入数据符合模型要求。batch_size设为32是一个经验值，可以根据GPU显存调整。

3.3 训练模型

import torch.optim as optim # 定义损失函数和优化器 criterion = torch.nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 训练循环 for epoch in range(10): # 训练10个epoch model.train() running_loss = 0.0 for images, labels in train_loader: optimizer.zero_grad() outputs = model(images.cuda()) loss = criterion(outputs, labels.cuda()) loss.backward() optimizer.step() running_loss += loss.item() # 每个epoch结束后验证一次 model.eval() correct = 0 total = 0 with torch.no_grad(): for images, labels in val_loader: outputs = model(images.cuda()) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels.cuda()).sum().item() print(f'Epoch {epoch+1}, Loss: {running_loss/len(train_loader):.4f}, Accuracy: {100*correct/total:.2f}%')

这段代码完成了模型的训练过程。关键参数说明：

lr=0.001：学习率，控制参数更新幅度
momentum=0.9：动量参数，加速收敛
epoch=10：训练轮数，可根据实际情况调整

4. 模型部署：将模型应用到产线

4.1 保存训练好的模型

训练完成后，保存模型权重：

torch.save(model.state_dict(), 'quality_inspection_resnet18.pth')

4.2 创建简易推理API

为了让产线电脑能够调用模型，我们可以创建一个简单的Flask API：

from flask import Flask, request, jsonify from PIL import Image import io import torch app = Flask(__name__) # 加载模型 model = models.resnet18(pretrained=False) model.fc = torch.nn.Linear(512, 2) model.load_state_dict(torch.load('quality_inspection_resnet18.pth')) model.eval().cuda() @app.route('/predict', methods=['POST']) def predict(): if 'file' not in request.files: return jsonify({'error': 'no file uploaded'}) file = request.files['file'] img_bytes = file.read() img = Image.open(io.BytesIO(img_bytes)) # 预处理 transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) img_tensor = transform(img).unsqueeze(0).cuda() # 推理 with torch.no_grad(): outputs = model(img_tensor) _, pred = torch.max(outputs, 1) result = 'defect' if pred.item() == 1 else 'normal' return jsonify({'result': result}) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000)

4.3 产线集成方案

在产线端，可以通过以下方式调用API：

安装一个简单的摄像头拍摄产品图像
使用Python requests库发送图像到API端点
根据返回结果决定产品是否合格

示例调用代码：

import requests url = 'http://your-api-address:5000/predict' files = {'file': open('product.jpg', 'rb')} response = requests.post(url, files=files) print(response.json()) # 输出检测结果