简介这份PDF面向从事工业视觉检测、深度学习算法研究的工程师与研究生聚焦工件表面缺陷检测这一典型工业场景提供一套可复现的改进分割网络方案。资源为单篇学术论文压缩包内仅含1个PDF文件约1.24MB篇幅紧凑便于快速通读与存档。论文围绕卷积神经网络展开针对分割模块优化卷积层与卷积核尺寸下采样阶段以最大池化替代大步长卷积并在决策模块中调整卷积层与池化层结构以获取更丰富的输出神经元和工件特征最终在实验中取得99.4%的检测准确率优于DeepLabv3与U-Net等现有方法。读者可从中获取完整的网络改进思路、模块设计细节与对比实验数据理解数据建模、机器学习与深度学习在缺陷检测中的落地路径适合作为算法选型、论文写作或工程复现的参考依据。目前已有271人学习下载。1. 从 92% 到 99.4%工件表面缺陷检测为什么卡在分割精度上产线上跑过视觉检测的人大多有过类似体验分类网络能把「有缺陷/无缺陷」判得七七八八可一旦要求把缺陷轮廓勾出来、量出面积和位置准确率就掉得厉害。陈晴那套全卷积方案端到端输出能到 92%Faster R-CNN 加 ResNet 做候选框检测也能用但面对反光、油污、划痕这类低对比度缺陷边界总是糊的。这篇《基于卷积神经网络的工件表面缺陷检测方法》给出的思路是把检测拆成两段先用改进的分割模块把缺陷像素级定位出来再用决策模块对二值图做二次判别在 KolektorSDD 公开数据集上把准确率推到 99.4%比 DeepLabv3 的 98.4% 和 U-Net 的 96.1% 都高。它适合正在做工业质检落地、被小缺陷漏检和误检反复折磨的算法工程师也适合想理解「分割决策」双模块结构为什么比单模型更稳的深度学习学习者。2. 分割模块的卷积核与池化层改造2.1 为什么原分割模型在小缺陷上会失效工件表面的典型缺陷是细长划痕、点状凹坑、边缘毛刺像素占比往往不到整图的千分之几。原分割模型为了扩大感受野习惯用大步长卷积做下采样代价是特征图分辨率掉得太快小缺陷在深层特征图上只剩一两个像素边界信息基本丢光。感受野的定义是每层输出特征图上的一个像素映射回原始图像的区域大小感受野不够大网络就看不到缺陷周围的上下文分辨率不够高网络又定位不准。这两个需求本身是矛盾的改进的分割模块就是在这对矛盾里找平衡。2.2 卷积层与卷积核尺寸的具体配置分割模块由 3 个池化层和 11 个卷积层组成每经过一次下采样特征图缩小 2 倍整体把输入图像降采样 8 倍。前 5 个卷积层用 5×5 卷积核中间 4 个用 7×7最后两层分别是 15×15 和 1×1。这个尺寸递增的设计不是随手写的浅层用小核抓局部纹理深层用大核在低分辨率特征图上补回感受野15×15 的大核专门用来放大感受野让网络在降采样 8 倍后仍能覆盖足够大的工件区域。1×1 卷积放在最后作用是把通道数压到最终二值图所需的输出通道同时不引入额外空间信息。import tensorflow as tf def segmentation_module(inputs): # 前5层5x5卷积浅层抓局部纹理 x inputs for i in range(5): x tf.keras.layers.Conv2D(32, (5, 5), paddingsame, kernel_initializerhe_normal)(x) x tf.keras.layers.BatchNormalization()(x) # 特征归一化稳定分布 x tf.keras.layers.ReLU()(x) # 非线性激活 # 中间4层7x7卷积扩大感受野 for i in range(4): x tf.keras.layers.Conv2D(64, (7, 7), paddingsame, kernel_initializerhe_normal)(x) x tf.keras.layers.BatchNormalization()(x) x tf.keras.layers.ReLU()(x) # 15x15大核 1x1压缩通道 x tf.keras.layers.Conv2D(128, (15, 15), paddingsame)(x) x tf.keras.layers.ReLU()(x) x tf.keras.layers.Conv2D(1, (1, 1), activationsigmoid)(x) # 输出二值图 return x这段代码里paddingsame保证卷积不改变特征图尺寸尺寸变化只由池化层控制方便对齐。BatchNormalization把每个通道归一化成单位方差分布论文里明确说它替代了 Dropout 提供正则化因为 1×1 层本身已经带来足够约束。he_normal初始化配合 ReLU 是常规搭配避免深层梯度消失。最后sigmoid输出 0 到 1 的概率图阈值化后就是缺陷二值图。2.3 最大池化替代大步长卷积的取舍下采样环节改用最大池化而不是大步长卷积是这套改进里最容易被忽略但影响很大的一步。大步长卷积在下采样时会把邻域像素加权求和小缺陷的响应容易被周围正常纹理稀释最大池化直接取邻域最大值缺陷的强响应能原样保留到下一层。代价是最大池化不可学习但论文的验证说明在缺陷检测这种「弱信号保真」优先的场景里这个代价换来的召回率提升是值得的。下采样方式可学习参数小缺陷响应保留计算量适用场景大步长卷积有易被稀释较高纹理分类、大目标检测最大池化无保留完整低小缺陷分割、边缘定位平均池化无进一步平滑低背景估计、降噪提示如果你的数据集缺陷尺寸普遍大于 32×32 像素大步长卷积未必差只有当缺陷像素占比低于 1% 时最大池化的优势才明显。3. 决策模块的神经元扩展与两阶段训练3.1 决策模块如何利用分割输出决策模块的输入有两路一路是分割模块输出的二值图像另一路是分割模块各层的中间特征。二值图告诉决策模块「哪里可能是缺陷」中间特征告诉它「这块区域的纹理像不像真缺陷」。论文把分割模块 1024 通道的输出、二值图以及第 1、2、4、5 层分别带 512、256、8、16、32 通道的特征全部拼接起来再经过全局平均池化和全局最大池化得到 128 个输出神经元。二值图本身再做一次全局池化得到 4 个神经元两者拼接成 132 个神经元最后通过全连接层输出分类结果。3.2 输出神经元数量与特征容量的关系决策模块的设计遵循两条原则。第一通过堆叠卷积层和下采样保证对大尺寸形状有处理能力局部形状和全局形状都能兼顾。第二用 1×1 卷积在通道压缩前做特征降维把分割模块的运算输出和二值图都压到 128 个神经元避免特征拼接后参数量爆炸。132 这个数字不是拍脑袋来的128 来自多尺度特征融合4 来自二值图的全局统计两者互补前者管「像不像」后者管「有没有」。def decision_module(seg_output, features): # seg_output: 分割模块二值图 (B, H, W, 1) # features: 分割模块各层特征列表 # 多尺度特征全局池化 pooled [] for f in features: avg tf.reduce_mean(f, axis[1, 2]) # 全局平均池化 mx tf.reduce_max(f, axis[1, 2]) # 全局最大池化 pooled.append(tf.concat([avg, mx], axis-1)) feat_vec tf.concat(pooled, axis-1) # 拼接成128维 # 二值图全局池化得到4维 seg_avg tf.reduce_mean(seg_output, axis[1, 2]) seg_max tf.reduce_max(seg_output, axis[1, 2]) seg_vec tf.concat([seg_avg, seg_max], axis-1) # 4维 # 拼接132维全连接输出 x tf.concat([feat_vec, seg_vec], axis-1) x tf.keras.layers.Dense(64, activationrelu)(x) out tf.keras.layers.Dense(1, activationsigmoid)(x) return outtf.reduce_mean和tf.reduce_max分别对应全局平均池化和全局最大池化前者反映区域整体响应强度后者捕捉最显著的缺陷信号。两路拼接后 132 维向量送入全连接Dense(64)做一次非线性压缩再输出避免直接 132 到 1 的线性映射欠拟合。3.3 分割与决策分开训练的两阶段流程论文明确说学习与分割模块分开进行先独立训练分割模块再冻结分割模块的权重去训练决策模块最后对决策模块的顶层做微调。这样做的好处是决策模块的梯度不会回传去干扰已经收敛的分割边界避免两个任务互相拉扯。训练用带交叉熵损失的二元分类分割模块用逐像素损失每个像素被当作一个独立训练样本所以有效批处理量比整图分类大几倍。GPU 内存有限时决策层每处理一个批次分割层可以处理多个批次。# 阶段一训练分割模块 python train_seg.py --epochs 50 --batch_size 4 --lr 1e-4 \ --loss binary_crossentropy --dataset kolektor # 阶段二冻结分割训练决策模块 python train_decision.py --epochs 30 --batch_size 16 --lr 1e-3 \ --freeze_seg --loss binary_crossentropy # 阶段三微调决策模块顶层 python finetune.py --epochs 10 --lr 1e-5 --unfreeze_top注意阶段二如果忘了--freeze_seg分割模块的边界会被决策损失带偏实测准确率会掉 2 到 3 个百分点这是最常见的复现坑。4. 在 KolektorSDD 上复现与指标验证4.1 数据预处理与 OpenCV 操作实验环境是 Intel Core i7-3210M、2.5GHz 主频、8G 内存、64 位系统图像预处理用 OpenCV 3.2 的 Python 接口训练在 TensorFlow 上完成。预处理的核心是抑制反光、增强缺陷对比度常见做法是灰度化后做 CLAHE 限制对比度自适应直方图均衡再高斯滤波去噪。import cv2 import numpy as np def preprocess(img_path): img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) # CLAHE 增强局部对比度clipLimit 控制过增强 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) img clahe.apply(img) # 高斯滤波去噪核大小按缺陷尺度调 img cv2.GaussianBlur(img, (3, 3), 0) # 归一化到 [0,1] img img.astype(np.float32) / 255.0 return imgclipLimit2.0是经验值调高会放大噪声调低增强不足tileGridSize决定局部区域大小缺陷越小这个值要越小。高斯核 3×3 适合细划痕如果缺陷是大面积凹坑可以加到 5×5。4.2 准确率、查准率、查全率的实测数据论文给出的测试日志很具体样本总数 1600正样本 220负样本 1380TP210FP0TN1380FN10。准确率 0.9938查准率 1.0000查全率 0.9545。这组数字里最值得琢磨的是 FP0 和 FN10模型没有把任何正常工件误判为缺陷但漏掉了 10 个真缺陷。在工业场景里漏检比误检更危险所以查全率 0.9545 才是真正要盯的指标准确率 99.4% 是被大量负样本拉高的。模型准确率误分率特点U-Net96.1%较高对称编解码小缺陷易漏DeepLabv398.4%中空洞卷积边界略糊改进分割网络99.4%最低分割决策双模块FP04.3 分类分数阈值怎么定模型处理后的效果图里有缺陷工件分类分数 0.99无缺陷 0.00中间几乎没有模糊地带。这说明决策模块输出的概率分布很极端阈值设在 0.5 就能分开。但如果你的产线允许一定误检来换零漏检可以把阈值降到 0.3让更多可疑区域进入复检反过来追求零误检就提到 0.7。阈值不是模型参数是业务参数得按产线节拍和人工复检成本来定。5. 把 99.4% 落到自己产线上的三个技巧第一个技巧是别急着换模型先量缺陷像素占比。拿一批标注图统计缺陷面积与整图面积之比如果普遍高于 1%这套双模块结构的收益有限直接上 DeepLabv3 微调可能更省事只有占比低于千分之几时最大池化保小缺陷响应的优势才体现得出来。第二个技巧是决策模块的输入特征层要按你的缺陷尺度选论文选第 1、2、4、5 层是因为 KolektorSDD 的缺陷尺度分布如此换数据集时用特征图可视化确认哪几层的响应和缺陷区域重合度最高再决定拼哪几层盲目照搬 132 维配置可能过拟合。第三个技巧是两阶段训练的冻结边界要卡死我一般会在阶段二开始前打印一次分割模块的权重哈希训练结束再打一次确认完全没变这一步能挡掉大部分「复现出来只有 96%」的求助。# 验证分割模块权重是否被冻结 import hashlib def weight_hash(model): h hashlib.md5() for w in model.get_weights(): h.update(w.tobytes()) return h.hexdigest() before weight_hash(seg_model) # ... 训练决策模块 ... after weight_hash(seg_model) assert before after, 分割模块权重被改动检查 freeze 设置这段校验代码在阶段二前后各跑一次get_weights()拿到全部权重张量tobytes()转字节后做 MD5只要有一个权重变了哈希就对不上。断言失败说明冻结没生效常见原因是用了model.trainableFalse但没重新编译或者优化器里手动传了分割模块的变量。把这一步加进训练脚本比事后对着掉点的准确率猜原因高效得多。本文还有配套的精品资源点击获取 基于CNN的工件表面缺陷检测：分割+决策双模块实现99.4%准确率
简介这份PDF面向从事工业视觉检测、深度学习算法研究的工程师与研究生聚焦工件表面缺陷检测这一典型工业场景提供一套可复现的改进分割网络方案。资源为单篇学术论文压缩包内仅含1个PDF文件约1.24MB篇幅紧凑便于快速通读与存档。论文围绕卷积神经网络展开针对分割模块优化卷积层与卷积核尺寸下采样阶段以最大池化替代大步长卷积并在决策模块中调整卷积层与池化层结构以获取更丰富的输出神经元和工件特征最终在实验中取得99.4%的检测准确率优于DeepLabv3与U-Net等现有方法。读者可从中获取完整的网络改进思路、模块设计细节与对比实验数据理解数据建模、机器学习与深度学习在缺陷检测中的落地路径适合作为算法选型、论文写作或工程复现的参考依据。目前已有271人学习下载。1. 从 92% 到 99.4%工件表面缺陷检测为什么卡在分割精度上产线上跑过视觉检测的人大多有过类似体验分类网络能把「有缺陷/无缺陷」判得七七八八可一旦要求把缺陷轮廓勾出来、量出面积和位置准确率就掉得厉害。陈晴那套全卷积方案端到端输出能到 92%Faster R-CNN 加 ResNet 做候选框检测也能用但面对反光、油污、划痕这类低对比度缺陷边界总是糊的。这篇《基于卷积神经网络的工件表面缺陷检测方法》给出的思路是把检测拆成两段先用改进的分割模块把缺陷像素级定位出来再用决策模块对二值图做二次判别在 KolektorSDD 公开数据集上把准确率推到 99.4%比 DeepLabv3 的 98.4% 和 U-Net 的 96.1% 都高。它适合正在做工业质检落地、被小缺陷漏检和误检反复折磨的算法工程师也适合想理解「分割决策」双模块结构为什么比单模型更稳的深度学习学习者。2. 分割模块的卷积核与池化层改造2.1 为什么原分割模型在小缺陷上会失效工件表面的典型缺陷是细长划痕、点状凹坑、边缘毛刺像素占比往往不到整图的千分之几。原分割模型为了扩大感受野习惯用大步长卷积做下采样代价是特征图分辨率掉得太快小缺陷在深层特征图上只剩一两个像素边界信息基本丢光。感受野的定义是每层输出特征图上的一个像素映射回原始图像的区域大小感受野不够大网络就看不到缺陷周围的上下文分辨率不够高网络又定位不准。这两个需求本身是矛盾的改进的分割模块就是在这对矛盾里找平衡。2.2 卷积层与卷积核尺寸的具体配置分割模块由 3 个池化层和 11 个卷积层组成每经过一次下采样特征图缩小 2 倍整体把输入图像降采样 8 倍。前 5 个卷积层用 5×5 卷积核中间 4 个用 7×7最后两层分别是 15×15 和 1×1。这个尺寸递增的设计不是随手写的浅层用小核抓局部纹理深层用大核在低分辨率特征图上补回感受野15×15 的大核专门用来放大感受野让网络在降采样 8 倍后仍能覆盖足够大的工件区域。1×1 卷积放在最后作用是把通道数压到最终二值图所需的输出通道同时不引入额外空间信息。import tensorflow as tf def segmentation_module(inputs): # 前5层5x5卷积浅层抓局部纹理 x inputs for i in range(5): x tf.keras.layers.Conv2D(32, (5, 5), paddingsame, kernel_initializerhe_normal)(x) x tf.keras.layers.BatchNormalization()(x) # 特征归一化稳定分布 x tf.keras.layers.ReLU()(x) # 非线性激活 # 中间4层7x7卷积扩大感受野 for i in range(4): x tf.keras.layers.Conv2D(64, (7, 7), paddingsame, kernel_initializerhe_normal)(x) x tf.keras.layers.BatchNormalization()(x) x tf.keras.layers.ReLU()(x) # 15x15大核 1x1压缩通道 x tf.keras.layers.Conv2D(128, (15, 15), paddingsame)(x) x tf.keras.layers.ReLU()(x) x tf.keras.layers.Conv2D(1, (1, 1), activationsigmoid)(x) # 输出二值图 return x这段代码里paddingsame保证卷积不改变特征图尺寸尺寸变化只由池化层控制方便对齐。BatchNormalization把每个通道归一化成单位方差分布论文里明确说它替代了 Dropout 提供正则化因为 1×1 层本身已经带来足够约束。he_normal初始化配合 ReLU 是常规搭配避免深层梯度消失。最后sigmoid输出 0 到 1 的概率图阈值化后就是缺陷二值图。2.3 最大池化替代大步长卷积的取舍下采样环节改用最大池化而不是大步长卷积是这套改进里最容易被忽略但影响很大的一步。大步长卷积在下采样时会把邻域像素加权求和小缺陷的响应容易被周围正常纹理稀释最大池化直接取邻域最大值缺陷的强响应能原样保留到下一层。代价是最大池化不可学习但论文的验证说明在缺陷检测这种「弱信号保真」优先的场景里这个代价换来的召回率提升是值得的。下采样方式可学习参数小缺陷响应保留计算量适用场景大步长卷积有易被稀释较高纹理分类、大目标检测最大池化无保留完整低小缺陷分割、边缘定位平均池化无进一步平滑低背景估计、降噪提示如果你的数据集缺陷尺寸普遍大于 32×32 像素大步长卷积未必差只有当缺陷像素占比低于 1% 时最大池化的优势才明显。3. 决策模块的神经元扩展与两阶段训练3.1 决策模块如何利用分割输出决策模块的输入有两路一路是分割模块输出的二值图像另一路是分割模块各层的中间特征。二值图告诉决策模块「哪里可能是缺陷」中间特征告诉它「这块区域的纹理像不像真缺陷」。论文把分割模块 1024 通道的输出、二值图以及第 1、2、4、5 层分别带 512、256、8、16、32 通道的特征全部拼接起来再经过全局平均池化和全局最大池化得到 128 个输出神经元。二值图本身再做一次全局池化得到 4 个神经元两者拼接成 132 个神经元最后通过全连接层输出分类结果。3.2 输出神经元数量与特征容量的关系决策模块的设计遵循两条原则。第一通过堆叠卷积层和下采样保证对大尺寸形状有处理能力局部形状和全局形状都能兼顾。第二用 1×1 卷积在通道压缩前做特征降维把分割模块的运算输出和二值图都压到 128 个神经元避免特征拼接后参数量爆炸。132 这个数字不是拍脑袋来的128 来自多尺度特征融合4 来自二值图的全局统计两者互补前者管「像不像」后者管「有没有」。def decision_module(seg_output, features): # seg_output: 分割模块二值图 (B, H, W, 1) # features: 分割模块各层特征列表 # 多尺度特征全局池化 pooled [] for f in features: avg tf.reduce_mean(f, axis[1, 2]) # 全局平均池化 mx tf.reduce_max(f, axis[1, 2]) # 全局最大池化 pooled.append(tf.concat([avg, mx], axis-1)) feat_vec tf.concat(pooled, axis-1) # 拼接成128维 # 二值图全局池化得到4维 seg_avg tf.reduce_mean(seg_output, axis[1, 2]) seg_max tf.reduce_max(seg_output, axis[1, 2]) seg_vec tf.concat([seg_avg, seg_max], axis-1) # 4维 # 拼接132维全连接输出 x tf.concat([feat_vec, seg_vec], axis-1) x tf.keras.layers.Dense(64, activationrelu)(x) out tf.keras.layers.Dense(1, activationsigmoid)(x) return outtf.reduce_mean和tf.reduce_max分别对应全局平均池化和全局最大池化前者反映区域整体响应强度后者捕捉最显著的缺陷信号。两路拼接后 132 维向量送入全连接Dense(64)做一次非线性压缩再输出避免直接 132 到 1 的线性映射欠拟合。3.3 分割与决策分开训练的两阶段流程论文明确说学习与分割模块分开进行先独立训练分割模块再冻结分割模块的权重去训练决策模块最后对决策模块的顶层做微调。这样做的好处是决策模块的梯度不会回传去干扰已经收敛的分割边界避免两个任务互相拉扯。训练用带交叉熵损失的二元分类分割模块用逐像素损失每个像素被当作一个独立训练样本所以有效批处理量比整图分类大几倍。GPU 内存有限时决策层每处理一个批次分割层可以处理多个批次。# 阶段一训练分割模块 python train_seg.py --epochs 50 --batch_size 4 --lr 1e-4 \ --loss binary_crossentropy --dataset kolektor # 阶段二冻结分割训练决策模块 python train_decision.py --epochs 30 --batch_size 16 --lr 1e-3 \ --freeze_seg --loss binary_crossentropy # 阶段三微调决策模块顶层 python finetune.py --epochs 10 --lr 1e-5 --unfreeze_top注意阶段二如果忘了--freeze_seg分割模块的边界会被决策损失带偏实测准确率会掉 2 到 3 个百分点这是最常见的复现坑。4. 在 KolektorSDD 上复现与指标验证4.1 数据预处理与 OpenCV 操作实验环境是 Intel Core i7-3210M、2.5GHz 主频、8G 内存、64 位系统图像预处理用 OpenCV 3.2 的 Python 接口训练在 TensorFlow 上完成。预处理的核心是抑制反光、增强缺陷对比度常见做法是灰度化后做 CLAHE 限制对比度自适应直方图均衡再高斯滤波去噪。import cv2 import numpy as np def preprocess(img_path): img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) # CLAHE 增强局部对比度clipLimit 控制过增强 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) img clahe.apply(img) # 高斯滤波去噪核大小按缺陷尺度调 img cv2.GaussianBlur(img, (3, 3), 0) # 归一化到 [0,1] img img.astype(np.float32) / 255.0 return imgclipLimit2.0是经验值调高会放大噪声调低增强不足tileGridSize决定局部区域大小缺陷越小这个值要越小。高斯核 3×3 适合细划痕如果缺陷是大面积凹坑可以加到 5×5。4.2 准确率、查准率、查全率的实测数据论文给出的测试日志很具体样本总数 1600正样本 220负样本 1380TP210FP0TN1380FN10。准确率 0.9938查准率 1.0000查全率 0.9545。这组数字里最值得琢磨的是 FP0 和 FN10模型没有把任何正常工件误判为缺陷但漏掉了 10 个真缺陷。在工业场景里漏检比误检更危险所以查全率 0.9545 才是真正要盯的指标准确率 99.4% 是被大量负样本拉高的。模型准确率误分率特点U-Net96.1%较高对称编解码小缺陷易漏DeepLabv398.4%中空洞卷积边界略糊改进分割网络99.4%最低分割决策双模块FP04.3 分类分数阈值怎么定模型处理后的效果图里有缺陷工件分类分数 0.99无缺陷 0.00中间几乎没有模糊地带。这说明决策模块输出的概率分布很极端阈值设在 0.5 就能分开。但如果你的产线允许一定误检来换零漏检可以把阈值降到 0.3让更多可疑区域进入复检反过来追求零误检就提到 0.7。阈值不是模型参数是业务参数得按产线节拍和人工复检成本来定。5. 把 99.4% 落到自己产线上的三个技巧第一个技巧是别急着换模型先量缺陷像素占比。拿一批标注图统计缺陷面积与整图面积之比如果普遍高于 1%这套双模块结构的收益有限直接上 DeepLabv3 微调可能更省事只有占比低于千分之几时最大池化保小缺陷响应的优势才体现得出来。第二个技巧是决策模块的输入特征层要按你的缺陷尺度选论文选第 1、2、4、5 层是因为 KolektorSDD 的缺陷尺度分布如此换数据集时用特征图可视化确认哪几层的响应和缺陷区域重合度最高再决定拼哪几层盲目照搬 132 维配置可能过拟合。第三个技巧是两阶段训练的冻结边界要卡死我一般会在阶段二开始前打印一次分割模块的权重哈希训练结束再打一次确认完全没变这一步能挡掉大部分「复现出来只有 96%」的求助。# 验证分割模块权重是否被冻结 import hashlib def weight_hash(model): h hashlib.md5() for w in model.get_weights(): h.update(w.tobytes()) return h.hexdigest() before weight_hash(seg_model) # ... 训练决策模块 ... after weight_hash(seg_model) assert before after, 分割模块权重被改动检查 freeze 设置这段校验代码在阶段二前后各跑一次get_weights()拿到全部权重张量tobytes()转字节后做 MD5只要有一个权重变了哈希就对不上。断言失败说明冻结没生效常见原因是用了model.trainableFalse但没重新编译或者优化器里手动传了分割模块的变量。把这一步加进训练脚本比事后对着掉点的准确率猜原因高效得多。本文还有配套的精品资源点击获取