在我之前的文章中也写过很多关于生产质检相关的实践文章，一直觉得这块是比较有意思的应用方向，做出来的模型能够以一种更加直观贴切的形式展现出来，瓷砖缺陷问题检测识别也是一个比较老的话题了，今天还是想拿出来具体实践做一下，瓷砖里面的缺陷问题有很多种，名称比较专业化，这里我也不是很懂，直接先看下效果：

包含的缺陷类型如下：

光圈瑕疵
浅色块瑕疵
深色点块瑕疵
白色点瑕疵
角异常
边异常

模型这里使用的是yolov5s系列的模型，如下所示：

#Parameters
nc: 6  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32#Backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]#Head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

训练数据配置文件如下：

# Dataset
path: ./dataset
train:- images/train
val:- images/test
test:- images/test# Classes 
names:0: GQXC1: QSKXC2: SSDXC3: BSDXC4: JYC5: BYC

一共包含6种不同类型的问题缺陷。

简单看下数据集：

YOLO格式标注数据：

实例标注数据如下：

2 0.21875 0.678711 0.011719 0.009766
2 0.403809 0.63916 0.010742 0.010742

VOC格式标注数据如下：

实例标注数据如下：

CIZHUANJPEGImages/3412_4914_5733_1024_1024_0_8192_6000.jpgThe CIZHUAN DatabaseCIZHUANCIZHUANCGB    1024102430

修改train.py，如下所示：

默认执行100次epoch的迭代计算，日志输出如下所示：

结果数据目录如下所示：

训练过程loss等指标评估可视化如下：

分类识别的混淆矩阵如下：

标签数据可视化如下：

F1值和PR曲线：

batch实例：

基于界面模块实现推理可视化如下：

上传图像：

检测推理：