简介面向农业工程与深度学习交叉领域这份文献系统地提出了基于卷积神经网络CNN的花生种子筛选识别算法针对传统人工筛选和基础图像处理在分类复杂度、准确率及速度上的不足给出了端到端的自动化检测解决方案。研究者收集1500张完好与破损花生图像构建样本库设计卷积层与池化层自动提取颜色和纹理特征经网络参数优化后筛选准确率达98.21%单粒识别速度仅为16.4毫秒能够满足现代农业生产对种子筛选的效率要求。资源为1个PDF文件压缩包大小1.77MB当前已有141人学习浏览。文档涵盖完整的算法原理、网络结构、实验设计与结果对比分析可服务于农业智能化检测、深度学习图像识别等方向的研究者和学生亦可作为相关课题论证、课程设计及论文写作的有效参考。1. 花生种子筛选识别卷积神经网络从人工目检的哪一步开始切入“花生种子筛选识别”放到一条真实的加工产线上就是工人坐在传送带旁边靠肉眼一粒一粒挑出霉变粒、破损粒、瘪粒重复同一个动作几万次注意力一松散漏检率就跟着升。用卷积神经网络加一个普通工业相机做识别算法可以把“人眼判断”替换成“模型评分”把筛选标准固定成可重复执行的程序。这篇笔记写给自己做农业视觉落地的工程师和研究生同学从任务定义、数据准备、模型训练一直讲到上线前的阈值校准和验证。适合已经决定要上这个方向、需要知道怎么做、坑在哪、参数怎么设的读者。2. 花生种子的分类边界定类别、定输入、定输出花生筛选的本质是给每一粒花生打标签。很多同学拿到需求后的第一反应是“图像分类”直接套一个分类网络但真正决定模型上限的不是网络结构而是标签定义。花生种子筛选不是几十个类别的物体识别它是细粒度分类类间差异极小正常粒和霉变早期之间的差异可能只是表面一小块发暗的灰绿色区域破损粒和正常粒的麻皮断纹在低分辨率下看起来也很接近。这一章先把分类边界和输入输出定清楚后边的训练才不会白费。2.1 要分几类才够用四类标签与最容易混淆的边界我一般建议第一版只分四类正常粒、霉变粒、破损粒、瘪粒。这个四分法跟大多数花生加工厂的品控标准对得上也方便后续做合格率统计。正常粒要求表皮完整、颜色均匀、颗粒饱满霉变粒指表面出现灰绿色、黑褐色霉斑或整体发暗的籽粒破损粒包含裂口、破碎、半粒瘪粒则是干瘪、皱缩、成熟度不足。四类之外的特殊情况比如异色粒、虫蚀粒先归入“不合格”整体处理不要单独开类。分类数一旦超过五个标注一致性就会出问题。不同标注员对“轻度霉变”和“正常粒偏暗”的边界判断完全不同模型在标签噪声大的数据上训练上限立刻被拉低。还有一个容易忽略的点类别名称一定要用英文字母做目录名中文路径在 Linux 服务器和 Windows 之间复制时经常出编码问题这类问题排查起来非常耗时。2.2 传统图像处理为什么在花生麻皮上集体翻车动手之前先回答一个“要不要上卷积神经网络”的选型问题。传统方案最常见的是 HSV 阈值分割加形态学处理通过色相和饱和度把霉斑区域筛出来。听起来简单但花生表皮本身就是麻皮结构正常粒上也有大量褐色斑点不同产区的花生底色从浅粉到深褐跨度很大单一阈值几乎必然把正常粒表面的麻点误判成霉变。换一个品种阈值就得重新调一遍维护成本极高。SVM 加 HOG 特征做过纹理分类对破损粒的边缘断裂敏感但对霉变早期的颜色渐变几乎不响应而且需要手工设计特征组合。花生的品种一变纹理统计分布就漂移模型就要返工。卷积神经网络是端到端地从数据里学颜色和纹理的联合特征加上 ImageNet 预训练权重的迁移能力几百上千张样本就能稳定起步换产线时只需要补充新批次数据做微调。这个“一次训练迁移复用”的特性才是它在花生筛选场景里替代传统视觉的真正理由。2.3 输入输出设计单粒识别优先ROI 裁剪是前提输入设计上我坚持一个原则单粒识别不做整盘识别。产线上的花生是流动的相机抓拍后先通过轮廓检测或者轻量检测网络把每一粒花生裁出来再送入 CNN 做分类。如果直接把一整盘或者一段传送带图像丢给分类网络模型会学到“图里有多少颗、排布长什么样”这类全局统计信息而不是在学单粒的状态特征一旦传送带上花生密度变了准确率立刻跳水。输出层就是类别数对应的 Softmax四类就输出四个概率。有些厂只关心“合格还是不合格”可以训练二分类但四分类的信息量更大后处理阶段按业务需求合并就行所以第一版我总建议直接上四分类。输入分辨率用 224×224 就够花生的纹理尺度不大分辨率再提上去训练成本和过拟合风险增加精度提升有限低于 160 时麻皮纹理和霉斑细节会丢失不建议。3. 训练数据从哪来采集、标注、增强与数据集拆分数据决定上限模型只是逼近上限。这句话在花生种子上特别真实。公开的花生图像数据集很少即便找到产区和品种也不一定对口。实际项目里最可靠的做法是自己搭一个采集环境把现场的花生样本拍一遍。这一章写的采集和标注流程是我在农业视觉项目里反复验证过的最小可行方案。3.1 采集环境三约束光照、背景与拍摄角度采集环境的三个约束条件直接影响模型的泛化能力。第一是光照用环形无影灯或者两个对称的条形光源保证花生表面没有强反光。强反光会让正常粒的高光区域呈现白色和霉斑在 HSV 空间里非常接近是误判的主要来源。第二是背景用纯黑或纯白亚克力板做底方便后续做轮廓裁剪和 ROI 提取不要让传送带的纹理和颜色进到样本里。第三是拍摄角度花生有背腹两面纹理差异明显很多项目只拍一面也能跑但标注和训练时都要保持“统一拍腹面”或“统一拍背面”不要两面混拍。分辨率方面单粒花生在画面里的有效像素至少要有 128×128建议达到 160×160 以上。采集时通过调节相机高度和镜头焦距来控制而不是靠后期放大裁剪后期插值放大的图像纹理是糊的。采集数量上常见起步规模是每类 800 到 1500 张四类加起来 4000 到 6000 张再配合数据增强足够训练一个 ResNet18 级别的模型。3.2 标注顺序与类别平衡先铁标签后边界样本标注顺序比标注工具更影响最终质量。我的习惯是分三轮走第一轮只标“铁标签”也就是严重霉变、明显破损、重度瘪粒这类一眼就能判定的样本先把模型的上限立住第二轮补标边界样本比如轻微霉变、小裂缝、半瘪粒这些是模型最容易混的地方第三轮做交叉复查由同一个人隔天把已标注数据重新看一遍把不一致的样本单独拎出来仲裁。类别平衡问题在花生种子上非常突出正常粒占绝大部分霉变粒和破损粒天然少。如果按原始比例训练模型会把正常粒学得很充分其他三类学得很弱。常见做法是每类按数量下限采齐不够的类别用过采样重复进训练集或者在损失函数里按类数量加权。标注文件我习惯直接按类别目录组织一张图一个文件目录结构本身就是标签省掉额外的标注文件解析逻辑。3.3 用 PyTorch 写数据集与增强最小可跑代码下面这个 Dataset 实现直接按目录结构读取数据适合第一版快速启动。代码很简单但目录命名和标签顺序的一致性值得注意。import torch from torch.utils.data import Dataset from PIL import Image import os # 类别目录名和标签 ID 的映射顺序一旦定死后续训练评估都必须沿用 CLASS_NAMES [normal, moldy, broken, shrunken] class PeanutDataset(Dataset): def __init__(self, root_dir, transformNone): self.samples [] for label, cls_name in enumerate(CLASS_NAMES): cls_dir os.path.join(root_dir, cls_name) for fname in os.listdir(cls_dir): self.samples.append((os.path.join(cls_dir, fname), label)) self.transform transform def __len__(self): return len(self.samples) def __getitem__(self, idx): path, label self.samples[idx] img Image.open(path).convert(RGB) if self.transform: img self.transform(img) return img, label配合的数据增强用 torchvision 的 transforms 组合from torchvision import transforms train_transform transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(p0.5), transforms.RandomVerticalFlip(p0.3), transforms.ColorJitter(brightness0.2, contrast0.2), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ])Dataset 的标签顺序就是这个项目的全局约定中途不要改否则之前训练保存的 checkpoint 对应关系会错乱。Resize 到 224×224 是平衡了纹理保留和训练速度水平垂直翻转用来模拟花生在传送带上的随机姿态ColorJitter 的光照抖动是应对不同批次花生底色差异的关键增强。Normalize 用 ImageNet 统计值因为后面要加载 ImageNet 预训练权重这个必须保持一致。验证集和测试集不要用增强只做 Resize 和 Normalize。4. 模型选型与训练参数花生分级该用多深的网络模型选型在花生筛选这个任务上被高估了真正决定成败的是训练策略和参数设置。花生种子分类不需要非常深的网络它的纹理复杂度远低于医学病理图像数据集规模通常也就是千到万张。这一章给出选型结论、参数表和一份可以直接跑的训练主循环代码。4.1 ResNet18、MobileNetV3、EfficientNet按部署条件选型同样在公开数据集上做迁移学习ResNet18、MobileNetV3-Small、EfficientNet-B0 在花生分类上的精度差距通常不会超过两个百分点但部署代价差别很大。选型的时候先回答一个问题模型最终跑在哪里。如果车间里有配了 NVIDIA 显卡的工控机直接选 ResNet18结构成熟、训练和排错资料最多参数量在千万级单张图推理只要几毫秒。如果模型要部署到没有 GPU 的工控机或者用嵌入式设备选 MobileNetV3-Small参数量只有 ResNet18 的四分之一左右CPU 推理速度优势明显精度损失在可接受范围内。EfficientNet-B0 是折中方案参数量居中理论精度上限略高但训练时对数据量和增强策略的要求也更敏感小数据集上未必有优势。部署时如果是 CPU 环境我建议训练阶段还是用 ResNet18训完转 ONNX 再配合推理引擎量化。注意 PyTorch 转 ONNX 时要把模型切到 eval 模式这步漏掉的话输出的概率分布会异常这是个非常容易翻车的细节。4.2 训练参数表学习率、批大小与迁移学习策略参数取值说明优化器AdamW比 SGD 收敛快weight_decay 设 1e-4学习率1e-4迁移学习微调用小学习率防破坏预训练特征批大小32 或 64按显存选太小则 BN 统计不稳定训练轮数40配合早停不要死扛 100 轮学习率调度CosineAnnealingLRT_max 等于训练轮数随机种子42固定后结果可复现排查问题必备类别不平衡WeightedRandomSampler每类按 1/样本数 采样这个参数组合里最容易被忽略的是学习率。如果用 ImageNet 预训练权重全量微调的学习率超过 1e-3前几个 epoch 就会把预训练特征冲掉表现为训练 loss 快速下降但验证集精度反而低。花生的类间差异是颜色和纹理细节非常依赖底层特征所以学习率宁小勿大。数据量只有几百张时更稳妥的做法是先冻结 backbone 只训练最后的全连接层跑 10 个 epoch 后再解冻全量微调。4.3 训练主循环代码随机种子、早停与最优模型保存import torch import torch.nn as nn from torchvision import models torch.manual_seed(42) device torch.device(cuda if torch.cuda.is_available() else cpu) # 新版 torchvision 用 weights老版本是 pretrainedTrue按环境选择 model models.resnet18(weightsmodels.ResNet18_Weights.IMAGENET1K_V1) model.fc nn.Linear(model.fc.in_features, 4) model.to(device) optimizer torch.optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-4) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max40) criterion nn.CrossEntropyLoss() best_acc 0.0 for epoch in range(40): model.train() for imgs, labels in train_loader: imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() loss criterion(model(imgs), labels) loss.backward() optimizer.step() scheduler.step() # 每个 epoch 后验证保留验证集表现最好的权重 model.eval() correct total 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels imgs.to(device), labels.to(device) pred model(imgs).argmax(dim1) correct (pred labels).sum().item() total labels.size(0) acc correct / total if acc best_acc: best_acc acc torch.save(model.state_dict(), best_peanut.pth)这段代码的核心逻辑是训练、验证调度、最优权重保存三个动作分离。训练阶段用 model.train() 开启 BN 统计更新验证阶段必须切到 model.eval()否则 BN 参数还在变验证结果会失真。模型定义时替换了最后一层 fc输出维度从 1000 改成 4加载预训练权重后 fc 层的参数是随机初始化的所以要给它更大的学习率或者用低学习率全量微调这里全量统一用 1e-4 是最省心的做法。early stopping 可以直接靠 best_acc 的保存机制实现训练结束后取 best_peanut.pth而不是最后一轮的结果能避免后期过拟合带来的精度回退。5. 花生种子训练避坑五个让准确率虚高的典型问题这章写的五条坑我都踩过不止一次每一条都有一个共同特征训练指标很好看一到现场就现原形。花生筛选模型的难点不在网络结构而在数据分布和工况匹配这些坑如果不提前排查项目很容易在最后阶段推倒重来。5.1 loss 在降验证集却在震荡先查学习率和增强强度现象训练 loss 稳步下降验证集准确率每轮上下跳 5 到 8 个百分点怎么看都像没收敛。原因通常是两个叠加学习率偏大导致后期在局部最小值附近震荡验证集样本太少或者只来自某一个批次本身方差很大。如果增强里加了高强度随机噪声或随机擦除也会让 loss 曲线变糙但更典型的还是前两个原因。解决方法是把学习率降到 1e-4 以下验证集每类保留至少 200 张并且训练集和验证集按花生批次分割不按文件随机分割这样验证集才真正代表“没见过的样本”。5.2 霉变粒与破损粒互相混淆错分可视化是第一步现象混淆矩阵里霉变粒和破损粒交叉频繁模型把发暗的破损粒判成霉变把轻度霉变的完整粒判成破损。原因是两类样本在低分辨率下都表现为“局部区域颜色发暗、纹理断裂”特征边界确实重叠。直接加数据或调权重效率很低第一步一定是把错分样本可视化按真实标签和预测标签分目录存图人眼确认共性。常见解决方法是标注端收紧边界定义破损粒限定为“外壳有明显裂口或缺失”霉变粒限定为“表面有霉斑或整体色变”同时增强里不要加高斯噪声和随机擦除否则模型会更倾向于“纹理断裂”这个特征反而加重混淆。5.3 训练旋转 30 度现场却摆正了增强与工况脱节现象训练时用了 RandomRotation(30)验证集准确率很高现场固定姿态拍摄的样本却识别不稳。原因是模型在训练时见过各种旋转角度学到的是旋转不变特征而现场传送带上的花生朝向是相对固定的真实分布窄得多模型相当于在一个没见过的分布上做推理自然会掉点。解决方法是先去现场拍一段真实视频统计花生的姿态分布再决定增强强度。传送带掉落拍摄的场景通常保留水平翻转就够了如果是人工摆盘固定朝向连翻转都可以去掉只保留光照抖动。增强设计要跟着工况走不是越强越好。5.4 黑色背景成了隐式特征换条传送带就掉点现象模型在实验室测试集上准确率 96%换到车间另一条传送带上直接掉到 85%。排查时发现实验室用黑色亚克力背景采集车间背景是深灰色传送带模型把“黑色背景”当作正常粒的隐式特征之一了。检查方法很简单把测试图用图像编辑工具统一替换背景色看预测置信度是否大幅波动或者看 Grad-CAM 热力图注意力落在背景区域就说明泄漏了。解决方法是采集时模拟现场背景或者标注时严格按花生外接矩形裁剪到 224×224尽量让背景占比稳定训练时做背景替换增强把目标区域随机贴到不同背景上迫使模型专注种子本身。5.5 准确率虚高的假象类别不平衡与多数类错觉现象训练结束后准确率显示 98%厂长看了很高兴结果发现模型把所有样本都判成了正常粒。原因是正常粒占数据集的 90% 以上模型全猜正常粒就有 90% 的准确率而霉变粒的召回率可能是 0。这类问题用准确率评估是看不出来的必须看混淆矩阵和每类的 precision、recall。解决方法是训练时用 WeightedRandomSampler 按类别反比采样或者给 CrossEntropyLoss 传 class_weight评估指标改用 macro-F1也就是四类各自 F1 再取平均这样每一类的表现都能反映到最终指标里。分类项目里准确率虚高是最常见的“假成功”我每次都会在汇报前先跑一遍混淆矩阵。6. 从模型到分选机阈值校准与批次级验证模型训练完只是拿到了 4 个概率分数真正让筛选机好用的是把阈值校到“漏检最少、误杀可控”的位置。Softmax 默认的 0.5 阈值通常不是最优解因为四分类下概率分布会被多数类压缩。逐阈值扫描是工程里最简单可靠的校准方法下面这段代码以霉变粒为例演示怎么做。import numpy as np probs, labels [], [] for imgs, lbl in test_loader: with torch.no_grad(): p torch.softmax(model(imgs), dim1) probs.append(p[:, 1].cpu().numpy()) # 关注霉变类 labels.append((lbl 1).cpu().numpy()) probs np.concatenate(probs) labels np.concatenate(labels) best_t, best_f1 0, 0 for t in np.arange(0.1, 0.95, 0.01): pred probs t tp (pred (labels 1)).sum() fp (pred (labels 0)).sum() fn (~pred (labels 1)).sum() prec tp / (tp fp 1e-9) rec tp / (tp fn 1e-9) f1 2 * prec * rec / (prec rec 1e-9) if f1 best_f1: best_f1, best_t f1, t print(f最优阈值: {best_t:.2f}, F1: {best_f1:.3f})这段代码对 0.1 到 0.95 的阈值做全量扫描用 F1 选择最优阈值。实际产线里阈值不只看 F1还要看漏检和误杀的代价漏检霉变粒的代价更严重就调低阈值让模型更激进误杀正常粒的成本高就调高阈值收紧。四类种子各自单独校一遍不要用一个统一阈值。最后验证阶段测试集一定要按批次划分同一包花生在光照和品种上高度一致随机打散会让信息泄漏评估结果比真实水平高出两到五个点。我习惯把每组阈值存进单独的配置文件里每次换批次重新校准一次不写死在训练代码里。这个习惯帮我少踩了好几次“换批号就翻车”的坑希望帮到你。本文还有配套的精品资源点击获取 花生种子筛选识别：卷积神经网络从人工目检到模型评分的落地实践
简介面向农业工程与深度学习交叉领域这份文献系统地提出了基于卷积神经网络CNN的花生种子筛选识别算法针对传统人工筛选和基础图像处理在分类复杂度、准确率及速度上的不足给出了端到端的自动化检测解决方案。研究者收集1500张完好与破损花生图像构建样本库设计卷积层与池化层自动提取颜色和纹理特征经网络参数优化后筛选准确率达98.21%单粒识别速度仅为16.4毫秒能够满足现代农业生产对种子筛选的效率要求。资源为1个PDF文件压缩包大小1.77MB当前已有141人学习浏览。文档涵盖完整的算法原理、网络结构、实验设计与结果对比分析可服务于农业智能化检测、深度学习图像识别等方向的研究者和学生亦可作为相关课题论证、课程设计及论文写作的有效参考。1. 花生种子筛选识别卷积神经网络从人工目检的哪一步开始切入“花生种子筛选识别”放到一条真实的加工产线上就是工人坐在传送带旁边靠肉眼一粒一粒挑出霉变粒、破损粒、瘪粒重复同一个动作几万次注意力一松散漏检率就跟着升。用卷积神经网络加一个普通工业相机做识别算法可以把“人眼判断”替换成“模型评分”把筛选标准固定成可重复执行的程序。这篇笔记写给自己做农业视觉落地的工程师和研究生同学从任务定义、数据准备、模型训练一直讲到上线前的阈值校准和验证。适合已经决定要上这个方向、需要知道怎么做、坑在哪、参数怎么设的读者。2. 花生种子的分类边界定类别、定输入、定输出花生筛选的本质是给每一粒花生打标签。很多同学拿到需求后的第一反应是“图像分类”直接套一个分类网络但真正决定模型上限的不是网络结构而是标签定义。花生种子筛选不是几十个类别的物体识别它是细粒度分类类间差异极小正常粒和霉变早期之间的差异可能只是表面一小块发暗的灰绿色区域破损粒和正常粒的麻皮断纹在低分辨率下看起来也很接近。这一章先把分类边界和输入输出定清楚后边的训练才不会白费。2.1 要分几类才够用四类标签与最容易混淆的边界我一般建议第一版只分四类正常粒、霉变粒、破损粒、瘪粒。这个四分法跟大多数花生加工厂的品控标准对得上也方便后续做合格率统计。正常粒要求表皮完整、颜色均匀、颗粒饱满霉变粒指表面出现灰绿色、黑褐色霉斑或整体发暗的籽粒破损粒包含裂口、破碎、半粒瘪粒则是干瘪、皱缩、成熟度不足。四类之外的特殊情况比如异色粒、虫蚀粒先归入“不合格”整体处理不要单独开类。分类数一旦超过五个标注一致性就会出问题。不同标注员对“轻度霉变”和“正常粒偏暗”的边界判断完全不同模型在标签噪声大的数据上训练上限立刻被拉低。还有一个容易忽略的点类别名称一定要用英文字母做目录名中文路径在 Linux 服务器和 Windows 之间复制时经常出编码问题这类问题排查起来非常耗时。2.2 传统图像处理为什么在花生麻皮上集体翻车动手之前先回答一个“要不要上卷积神经网络”的选型问题。传统方案最常见的是 HSV 阈值分割加形态学处理通过色相和饱和度把霉斑区域筛出来。听起来简单但花生表皮本身就是麻皮结构正常粒上也有大量褐色斑点不同产区的花生底色从浅粉到深褐跨度很大单一阈值几乎必然把正常粒表面的麻点误判成霉变。换一个品种阈值就得重新调一遍维护成本极高。SVM 加 HOG 特征做过纹理分类对破损粒的边缘断裂敏感但对霉变早期的颜色渐变几乎不响应而且需要手工设计特征组合。花生的品种一变纹理统计分布就漂移模型就要返工。卷积神经网络是端到端地从数据里学颜色和纹理的联合特征加上 ImageNet 预训练权重的迁移能力几百上千张样本就能稳定起步换产线时只需要补充新批次数据做微调。这个“一次训练迁移复用”的特性才是它在花生筛选场景里替代传统视觉的真正理由。2.3 输入输出设计单粒识别优先ROI 裁剪是前提输入设计上我坚持一个原则单粒识别不做整盘识别。产线上的花生是流动的相机抓拍后先通过轮廓检测或者轻量检测网络把每一粒花生裁出来再送入 CNN 做分类。如果直接把一整盘或者一段传送带图像丢给分类网络模型会学到“图里有多少颗、排布长什么样”这类全局统计信息而不是在学单粒的状态特征一旦传送带上花生密度变了准确率立刻跳水。输出层就是类别数对应的 Softmax四类就输出四个概率。有些厂只关心“合格还是不合格”可以训练二分类但四分类的信息量更大后处理阶段按业务需求合并就行所以第一版我总建议直接上四分类。输入分辨率用 224×224 就够花生的纹理尺度不大分辨率再提上去训练成本和过拟合风险增加精度提升有限低于 160 时麻皮纹理和霉斑细节会丢失不建议。3. 训练数据从哪来采集、标注、增强与数据集拆分数据决定上限模型只是逼近上限。这句话在花生种子上特别真实。公开的花生图像数据集很少即便找到产区和品种也不一定对口。实际项目里最可靠的做法是自己搭一个采集环境把现场的花生样本拍一遍。这一章写的采集和标注流程是我在农业视觉项目里反复验证过的最小可行方案。3.1 采集环境三约束光照、背景与拍摄角度采集环境的三个约束条件直接影响模型的泛化能力。第一是光照用环形无影灯或者两个对称的条形光源保证花生表面没有强反光。强反光会让正常粒的高光区域呈现白色和霉斑在 HSV 空间里非常接近是误判的主要来源。第二是背景用纯黑或纯白亚克力板做底方便后续做轮廓裁剪和 ROI 提取不要让传送带的纹理和颜色进到样本里。第三是拍摄角度花生有背腹两面纹理差异明显很多项目只拍一面也能跑但标注和训练时都要保持“统一拍腹面”或“统一拍背面”不要两面混拍。分辨率方面单粒花生在画面里的有效像素至少要有 128×128建议达到 160×160 以上。采集时通过调节相机高度和镜头焦距来控制而不是靠后期放大裁剪后期插值放大的图像纹理是糊的。采集数量上常见起步规模是每类 800 到 1500 张四类加起来 4000 到 6000 张再配合数据增强足够训练一个 ResNet18 级别的模型。3.2 标注顺序与类别平衡先铁标签后边界样本标注顺序比标注工具更影响最终质量。我的习惯是分三轮走第一轮只标“铁标签”也就是严重霉变、明显破损、重度瘪粒这类一眼就能判定的样本先把模型的上限立住第二轮补标边界样本比如轻微霉变、小裂缝、半瘪粒这些是模型最容易混的地方第三轮做交叉复查由同一个人隔天把已标注数据重新看一遍把不一致的样本单独拎出来仲裁。类别平衡问题在花生种子上非常突出正常粒占绝大部分霉变粒和破损粒天然少。如果按原始比例训练模型会把正常粒学得很充分其他三类学得很弱。常见做法是每类按数量下限采齐不够的类别用过采样重复进训练集或者在损失函数里按类数量加权。标注文件我习惯直接按类别目录组织一张图一个文件目录结构本身就是标签省掉额外的标注文件解析逻辑。3.3 用 PyTorch 写数据集与增强最小可跑代码下面这个 Dataset 实现直接按目录结构读取数据适合第一版快速启动。代码很简单但目录命名和标签顺序的一致性值得注意。import torch from torch.utils.data import Dataset from PIL import Image import os # 类别目录名和标签 ID 的映射顺序一旦定死后续训练评估都必须沿用 CLASS_NAMES [normal, moldy, broken, shrunken] class PeanutDataset(Dataset): def __init__(self, root_dir, transformNone): self.samples [] for label, cls_name in enumerate(CLASS_NAMES): cls_dir os.path.join(root_dir, cls_name) for fname in os.listdir(cls_dir): self.samples.append((os.path.join(cls_dir, fname), label)) self.transform transform def __len__(self): return len(self.samples) def __getitem__(self, idx): path, label self.samples[idx] img Image.open(path).convert(RGB) if self.transform: img self.transform(img) return img, label配合的数据增强用 torchvision 的 transforms 组合from torchvision import transforms train_transform transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(p0.5), transforms.RandomVerticalFlip(p0.3), transforms.ColorJitter(brightness0.2, contrast0.2), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ])Dataset 的标签顺序就是这个项目的全局约定中途不要改否则之前训练保存的 checkpoint 对应关系会错乱。Resize 到 224×224 是平衡了纹理保留和训练速度水平垂直翻转用来模拟花生在传送带上的随机姿态ColorJitter 的光照抖动是应对不同批次花生底色差异的关键增强。Normalize 用 ImageNet 统计值因为后面要加载 ImageNet 预训练权重这个必须保持一致。验证集和测试集不要用增强只做 Resize 和 Normalize。4. 模型选型与训练参数花生分级该用多深的网络模型选型在花生筛选这个任务上被高估了真正决定成败的是训练策略和参数设置。花生种子分类不需要非常深的网络它的纹理复杂度远低于医学病理图像数据集规模通常也就是千到万张。这一章给出选型结论、参数表和一份可以直接跑的训练主循环代码。4.1 ResNet18、MobileNetV3、EfficientNet按部署条件选型同样在公开数据集上做迁移学习ResNet18、MobileNetV3-Small、EfficientNet-B0 在花生分类上的精度差距通常不会超过两个百分点但部署代价差别很大。选型的时候先回答一个问题模型最终跑在哪里。如果车间里有配了 NVIDIA 显卡的工控机直接选 ResNet18结构成熟、训练和排错资料最多参数量在千万级单张图推理只要几毫秒。如果模型要部署到没有 GPU 的工控机或者用嵌入式设备选 MobileNetV3-Small参数量只有 ResNet18 的四分之一左右CPU 推理速度优势明显精度损失在可接受范围内。EfficientNet-B0 是折中方案参数量居中理论精度上限略高但训练时对数据量和增强策略的要求也更敏感小数据集上未必有优势。部署时如果是 CPU 环境我建议训练阶段还是用 ResNet18训完转 ONNX 再配合推理引擎量化。注意 PyTorch 转 ONNX 时要把模型切到 eval 模式这步漏掉的话输出的概率分布会异常这是个非常容易翻车的细节。4.2 训练参数表学习率、批大小与迁移学习策略参数取值说明优化器AdamW比 SGD 收敛快weight_decay 设 1e-4学习率1e-4迁移学习微调用小学习率防破坏预训练特征批大小32 或 64按显存选太小则 BN 统计不稳定训练轮数40配合早停不要死扛 100 轮学习率调度CosineAnnealingLRT_max 等于训练轮数随机种子42固定后结果可复现排查问题必备类别不平衡WeightedRandomSampler每类按 1/样本数 采样这个参数组合里最容易被忽略的是学习率。如果用 ImageNet 预训练权重全量微调的学习率超过 1e-3前几个 epoch 就会把预训练特征冲掉表现为训练 loss 快速下降但验证集精度反而低。花生的类间差异是颜色和纹理细节非常依赖底层特征所以学习率宁小勿大。数据量只有几百张时更稳妥的做法是先冻结 backbone 只训练最后的全连接层跑 10 个 epoch 后再解冻全量微调。4.3 训练主循环代码随机种子、早停与最优模型保存import torch import torch.nn as nn from torchvision import models torch.manual_seed(42) device torch.device(cuda if torch.cuda.is_available() else cpu) # 新版 torchvision 用 weights老版本是 pretrainedTrue按环境选择 model models.resnet18(weightsmodels.ResNet18_Weights.IMAGENET1K_V1) model.fc nn.Linear(model.fc.in_features, 4) model.to(device) optimizer torch.optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-4) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max40) criterion nn.CrossEntropyLoss() best_acc 0.0 for epoch in range(40): model.train() for imgs, labels in train_loader: imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() loss criterion(model(imgs), labels) loss.backward() optimizer.step() scheduler.step() # 每个 epoch 后验证保留验证集表现最好的权重 model.eval() correct total 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels imgs.to(device), labels.to(device) pred model(imgs).argmax(dim1) correct (pred labels).sum().item() total labels.size(0) acc correct / total if acc best_acc: best_acc acc torch.save(model.state_dict(), best_peanut.pth)这段代码的核心逻辑是训练、验证调度、最优权重保存三个动作分离。训练阶段用 model.train() 开启 BN 统计更新验证阶段必须切到 model.eval()否则 BN 参数还在变验证结果会失真。模型定义时替换了最后一层 fc输出维度从 1000 改成 4加载预训练权重后 fc 层的参数是随机初始化的所以要给它更大的学习率或者用低学习率全量微调这里全量统一用 1e-4 是最省心的做法。early stopping 可以直接靠 best_acc 的保存机制实现训练结束后取 best_peanut.pth而不是最后一轮的结果能避免后期过拟合带来的精度回退。5. 花生种子训练避坑五个让准确率虚高的典型问题这章写的五条坑我都踩过不止一次每一条都有一个共同特征训练指标很好看一到现场就现原形。花生筛选模型的难点不在网络结构而在数据分布和工况匹配这些坑如果不提前排查项目很容易在最后阶段推倒重来。5.1 loss 在降验证集却在震荡先查学习率和增强强度现象训练 loss 稳步下降验证集准确率每轮上下跳 5 到 8 个百分点怎么看都像没收敛。原因通常是两个叠加学习率偏大导致后期在局部最小值附近震荡验证集样本太少或者只来自某一个批次本身方差很大。如果增强里加了高强度随机噪声或随机擦除也会让 loss 曲线变糙但更典型的还是前两个原因。解决方法是把学习率降到 1e-4 以下验证集每类保留至少 200 张并且训练集和验证集按花生批次分割不按文件随机分割这样验证集才真正代表“没见过的样本”。5.2 霉变粒与破损粒互相混淆错分可视化是第一步现象混淆矩阵里霉变粒和破损粒交叉频繁模型把发暗的破损粒判成霉变把轻度霉变的完整粒判成破损。原因是两类样本在低分辨率下都表现为“局部区域颜色发暗、纹理断裂”特征边界确实重叠。直接加数据或调权重效率很低第一步一定是把错分样本可视化按真实标签和预测标签分目录存图人眼确认共性。常见解决方法是标注端收紧边界定义破损粒限定为“外壳有明显裂口或缺失”霉变粒限定为“表面有霉斑或整体色变”同时增强里不要加高斯噪声和随机擦除否则模型会更倾向于“纹理断裂”这个特征反而加重混淆。5.3 训练旋转 30 度现场却摆正了增强与工况脱节现象训练时用了 RandomRotation(30)验证集准确率很高现场固定姿态拍摄的样本却识别不稳。原因是模型在训练时见过各种旋转角度学到的是旋转不变特征而现场传送带上的花生朝向是相对固定的真实分布窄得多模型相当于在一个没见过的分布上做推理自然会掉点。解决方法是先去现场拍一段真实视频统计花生的姿态分布再决定增强强度。传送带掉落拍摄的场景通常保留水平翻转就够了如果是人工摆盘固定朝向连翻转都可以去掉只保留光照抖动。增强设计要跟着工况走不是越强越好。5.4 黑色背景成了隐式特征换条传送带就掉点现象模型在实验室测试集上准确率 96%换到车间另一条传送带上直接掉到 85%。排查时发现实验室用黑色亚克力背景采集车间背景是深灰色传送带模型把“黑色背景”当作正常粒的隐式特征之一了。检查方法很简单把测试图用图像编辑工具统一替换背景色看预测置信度是否大幅波动或者看 Grad-CAM 热力图注意力落在背景区域就说明泄漏了。解决方法是采集时模拟现场背景或者标注时严格按花生外接矩形裁剪到 224×224尽量让背景占比稳定训练时做背景替换增强把目标区域随机贴到不同背景上迫使模型专注种子本身。5.5 准确率虚高的假象类别不平衡与多数类错觉现象训练结束后准确率显示 98%厂长看了很高兴结果发现模型把所有样本都判成了正常粒。原因是正常粒占数据集的 90% 以上模型全猜正常粒就有 90% 的准确率而霉变粒的召回率可能是 0。这类问题用准确率评估是看不出来的必须看混淆矩阵和每类的 precision、recall。解决方法是训练时用 WeightedRandomSampler 按类别反比采样或者给 CrossEntropyLoss 传 class_weight评估指标改用 macro-F1也就是四类各自 F1 再取平均这样每一类的表现都能反映到最终指标里。分类项目里准确率虚高是最常见的“假成功”我每次都会在汇报前先跑一遍混淆矩阵。6. 从模型到分选机阈值校准与批次级验证模型训练完只是拿到了 4 个概率分数真正让筛选机好用的是把阈值校到“漏检最少、误杀可控”的位置。Softmax 默认的 0.5 阈值通常不是最优解因为四分类下概率分布会被多数类压缩。逐阈值扫描是工程里最简单可靠的校准方法下面这段代码以霉变粒为例演示怎么做。import numpy as np probs, labels [], [] for imgs, lbl in test_loader: with torch.no_grad(): p torch.softmax(model(imgs), dim1) probs.append(p[:, 1].cpu().numpy()) # 关注霉变类 labels.append((lbl 1).cpu().numpy()) probs np.concatenate(probs) labels np.concatenate(labels) best_t, best_f1 0, 0 for t in np.arange(0.1, 0.95, 0.01): pred probs t tp (pred (labels 1)).sum() fp (pred (labels 0)).sum() fn (~pred (labels 1)).sum() prec tp / (tp fp 1e-9) rec tp / (tp fn 1e-9) f1 2 * prec * rec / (prec rec 1e-9) if f1 best_f1: best_f1, best_t f1, t print(f最优阈值: {best_t:.2f}, F1: {best_f1:.3f})这段代码对 0.1 到 0.95 的阈值做全量扫描用 F1 选择最优阈值。实际产线里阈值不只看 F1还要看漏检和误杀的代价漏检霉变粒的代价更严重就调低阈值让模型更激进误杀正常粒的成本高就调高阈值收紧。四类种子各自单独校一遍不要用一个统一阈值。最后验证阶段测试集一定要按批次划分同一包花生在光照和品种上高度一致随机打散会让信息泄漏评估结果比真实水平高出两到五个点。我习惯把每组阈值存进单独的配置文件里每次换批次重新校准一次不写死在训练代码里。这个习惯帮我少踩了好几次“换批号就翻车”的坑希望帮到你。本文还有配套的精品资源点击获取