ResNet18工业质检案例：用云端GPU，小厂也能玩转AI-洪萨配资

ResNet18工业质检案例：用云端GPU，小厂也能玩转AI

引言

作为小型制造厂的老板，你可能经常听到"AI质检"这个时髦词，但又担心动辄几十万的硬件投入和复杂的技术门槛。其实，现在的AI技术已经变得像使用智能手机一样简单。本文将带你用ResNet18这个轻量级AI模型，配合云端GPU资源，零门槛实现工业质检的智能化升级。

ResNet18就像一个经验丰富的质检员，它能快速识别产品表面的划痕、裂纹、污渍等缺陷。与传统人工质检相比，AI可以7×24小时工作，准确率高达95%以上，而且不会因为疲劳导致漏检。更重要的是，借助云端GPU，你不需要购买昂贵设备，按小时租用算力即可，试错成本极低。

1. 准备工作：像准备菜谱一样简单

1.1 数据采集：质检的"食材"

收集200-300张合格品和缺陷品的照片（每类至少100张），建议：

使用普通工业相机或手机拍摄
保持光线均匀，避免反光
产品摆放角度尽量一致
图片尺寸建议640×480像素

💡 提示
初期可以人工制造一些典型缺陷（如划痕、凹陷）来扩充数据集，后期再补充真实产线的缺陷样本。

1.2 数据标注：给照片贴标签

创建一个文件夹结构如下：

dataset/ ├── train/ │ ├── good/ # 存放合格品图片 │ └── defect/ # 存放缺陷品图片 └── val/ ├── good/ # 验证集合格品 └── defect/ # 验证集缺陷品

这种结构让PyTorch能自动识别分类，无需额外标注文件。

2. 模型训练：5步搞定AI质检员

2.1 选择云端GPU环境

在CSDN算力平台选择预装PyTorch的镜像（推荐选择CUDA 11.3 + PyTorch 1.12.0），启动一个带T4显卡的实例（约1-2元/小时）。

2.2 准备训练代码

新建train.py文件，复制以下代码：

import torch import torchvision from torchvision import transforms # 1. 数据预处理 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]) ]) # 2. 加载数据集 train_dataset = torchvision.datasets.ImageFolder( 'dataset/train', transform=transform ) val_dataset = torchvision.datasets.ImageFolder( 'dataset/val', transform=transform ) # 3. 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 ) # 4. 加载预训练模型 model = torchvision.models.resnet18(pretrained=True) num_features = model.fc.in_features model.fc = torch.nn.Linear(num_features, 2) # 修改为二分类 # 5. 训练配置 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model = model.to(device) criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 6. 训练循环 for epoch in range(10): # 训练10轮 model.train() for inputs, labels in train_loader: inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() # 验证准确率 model.eval() correct = 0 total = 0 with torch.no_grad(): for inputs, labels in val_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f'Epoch {epoch+1}, 准确率: {100 * correct / total}%') # 保存模型 torch.save(model.state_dict(), 'quality_inspection_model.pth')

2.3 启动训练

在终端运行：

python train.py

训练过程会在控制台打印每个epoch的验证准确率，通常10-20分钟即可完成。

3. 模型部署：让AI上岗工作

3.1 创建简易推理脚本

新建inference.py：

import torch import torchvision from PIL import Image # 加载模型 model = torchvision.models.resnet18(pretrained=False) num_features = model.fc.in_features model.fc = torch.nn.Linear(num_features, 2) model.load_state_dict(torch.load('quality_inspection_model.pth')) model.eval() # 预处理函数 transform = torchvision.transforms.Compose([ torchvision.transforms.Resize(256), torchvision.transforms.CenterCrop(224), torchvision.transforms.ToTensor(), torchvision.transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) # 推理函数 def predict(image_path): img = Image.open(image_path) img_t = transform(img) batch_t = torch.unsqueeze(img_t, 0) with torch.no_grad(): output = model(batch_t) _, predicted = torch.max(output, 1) return '合格' if predicted.item() == 0 else '缺陷' # 测试 print(predict('test_image.jpg')) # 替换为你的测试图片路径

3.2 实际应用方案

根据产线需求，可以选择以下部署方式：

方案A：工控机+摄像头
在产线旁部署工控机，实时拍摄产品照片并调用模型判断
发现缺陷时触发声光报警或机械臂剔除
方案B：手机APP质检
工人用手机拍摄可疑产品，APP即时返回判断结果
适合抽检场景，成本最低

4. 效果优化：让AI更精准

4.1 数据增强技巧

修改transform部分，增加数据增强：

transform = transforms.Compose([ transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), # 水平翻转 transforms.RandomRotation(10), # 随机旋转 transforms.ColorJitter(brightness=0.2, contrast=0.2), # 颜色扰动 transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])