1. 项目背景：3D打印失败检测为什么难，又为什么值得做

做3D打印的朋友应该都经历过这种时刻：睡前一键启动打印，第二天醒来发现热床上只剩一团纠缠的塑料丝，像打翻的意大利面，一个通宵的打印计划就这么报废了。我统计过自己的失败记录，排除掉模型本身的问题和切片参数错误，真正发生在打印过程中的突发失败大概占三成，而这三成里很大一部分都能在前期通过视觉手段识别出来。

传统做法无非是两种。要么人肉盯着机器，把摄像头画面投到手机上隔几分钟看一眼，费时费力还不一定盯得住；要么用一些简单的定时拍照配合人工判断，本质上还是人肉监控。真正想把“主动监测”做成自动化，就要让机器自己读懂打印画面里的异常。

这个项目做的核心事情，就是利用YOLO系列的目标检测能力，训练一个专门识别三类常见打印缺陷的模型：spaghetti、zits和stringing。spaghetti就是那种打印中途粘床失败后，喷嘴在空中自由挤出塑料形成的乱丝；zits是模型表面出现的小疙瘩突起，常见于回抽设置不当或压力波动；stringing是两层之间或两个部件之间出现的细丝拉丝，像蜘蛛网一样挂在模型上。这三类缺陷在形态上差异很大，但都高频出现，而且特征相对清晰，适合作为目标检测的起步场景。

选YOLO方案而不是传统图像处理方案，是因为这三类缺陷的形态变化实在太大。比如spaghetti，不同角度、不同层高、不同挤出量形成的乱丝形态差异非常大，传统算法用轮廓、颜色、纹理去写规则根本写不完。而目标检测模型靠数据驱动，样本足够多、标注足够准确，模型自己就能总结出“看起来像什么”的特征，泛化能力远强于手工规则。

这篇内容会把整个项目从数据准备、标注、训练到部署的完整链路展开，包括我在实际踩坑中总结的一些关键经验。适合已经有Python基础、跑过基础深度学习训练流程，但还没把目标检测真正落地的朋友参考。3D打印领域的朋友如果只想快速搭一套监测系统，也可以直接看部署章节的技术选型思路。

2. 三类缺陷的成因拆解与检测难点分析

2.1 spaghetti：一团乱丝的识别难度在于没有固定形态

spaghetti这个词很形象，失败时喷嘴没有在平台上正常堆叠材料，而是像厨师甩面一样在空中甩出一团塑料丝。它的诱因通常是首层粘附失败、模型翘边脱离热床，或者Z轴偏移导致喷嘴距离平台越来越远。一旦开始甩丝，打印件基本报废，除非及时停机清理重来。

从检测角度看，spaghetti最大的难点是它没有确定的形态。刚出现时可能只是几根自由的丝线，几秒后就变成覆盖整个打印区域的一团。它没有清晰的边缘轮廓，颜色和耗材本身一致，纹理高度混乱。唯一比较稳定的特征是和正常打印表面的差异度——正常打印每层是均匀的条状纹路，而spaghetti区域完全失去规则性。

我第一次做这个项目时，想着用图像差分或帧间变化率来检测，逻辑是乱丝区域每帧变化剧烈，而正常打印区域变化缓慢。但实测下来误报率极高，因为打印头本身在工作时就有正常的运动，光照变化、摄像头抖动都会被当成异常。后来换成用检测模型，思路完全不同——不去靠“变化”判断，而是靠“像不像”判断。模型相当于一个经验的过滤器，见多了乱丝的实际样子，自然能分辨。

2.2 zits：表面小疙瘩需要分辨力和定位能力

zits这个词直译过来是“青春痘”，很形象地描述了打印件表面凸起的小颗粒。它和stringing经常同时出现，本质上都和挤出压力相关——喷嘴内部的压力在回抽和恢复挤出之间出现波动，导致某一瞬间多挤出一小泵材料，冷却后就在表面上形成一个疙瘩。

zits的检测难点在“小”。不同层高的打印，疙瘩的尺寸差异很大，0.12mm层高下的一个zit可能只有几个像素大，到0.28mm层高时就可能是一个明显的凸块。而且model表面本身的纹理、接缝、支撑接触点都可能长得跟zits很像。这里很考验标注的细致程度，也考验模型在训练时能否学到“上下文”信息——一个凸起如果出现在正常的层间接缝位置，它可能是正常的拼接痕迹；如果出现在完全不应该有凸起的平面区域，那才是缺陷。

还有一类特殊的zits叫“压力疙瘩”，就是在打印尖角或小尺寸特征时，喷嘴在这些位置减速，挤出压力变化，形成了针尖状的凸点。这类缺陷的位置往往集中在模型的局部特征区域，检测模型如果训练充分，甚至能帮我们反推出切片参数哪里设置得偏激进。

2.3 stringing：细丝悬挂考验小目标检测能力

stringing是回抽参数不完美时最常见的表现。喷嘴在两个打印区域之间移动时，内部材料在压力下渗出，随着喷嘴的移动被拉成一根极细的丝线，冷却后悬挂在两段打印体之间。这种丝线直径可以细到0.2mm以下，悬挂在离模型表面几毫米处，肉眼需要凑近才能看清。

这是三类缺陷里最难检测的，因为目标尺寸接近检测模型的极限能力。YOLO系列模型在特征金字塔的设计上已经尽量照顾了小目标，但stringing这种动不动只有几十像素宽度的目标，还是很容易在降采样阶段被丢失。项目里我用的YOLO26默认输入分辨率是640x640，在这个尺度上，一根细丝如果只占3x30像素，模型对它的特征提取是非常吃力的。

解决方案主要有两条路。一条是把输入分辨率提上去，比如到1280x1280，小目标会清晰很多，但对显存和推理速度有要求。另一条是在训练时对包含stringing的小图区域做切片增强，相当于人为制造大量“小图上也有小目标”的训练样本，逼迫模型学会在小感受野下捕捉细丝特征。这个方案实际效果非常好，后面训练章节会细讲。

2.4 为什么选择目标检测而不是图像分类或分割

这是项目启动时最先要想清楚的问题。图像分类解决的是“这是什么”，对这个场景来说就是整张图是否存在异常，但没法告诉你是哪里异常、是哪种异常。图像分割解决的是“每个像素属于什么”，定位精度极高，但标注成本大，而且对快速部署不友好。

目标检测恰好居中——输出带类别和边界框的检测结果，既知道哪里有问题，又知道是什么问题，标注成本还可控。对3D打印监测的落地场景来说，边界框的精度完全够用，因为我们的目标是报警和提示，不是逐像素修复。而且YOLO的推理速度极快，配合消费级摄像头能轻松做到实时检测，这为后续做实时监控留了充分的性能余量。

3. 数据准备与标注体系的构建

3.1 采集方案：一个摄像头加连续拍照脚本

整个项目的数据来源是我自己的一台开放式3D打印机，加上一个普通的USB摄像头，固定在打印平台侧前方约45度位置，保证能看到整个热床范围同时也拍得到模型侧面。在硬件上，这个配置和大多数玩家的环境一致，后续部署时几乎零额外成本。

采集脚本很简单，打印过程中每15秒自动拍一张图，连续记录整个打印流程。这里有个非常关键的细节：不能只拍成功打印过程，也不能只拍失败的乱丝画面，而是要在不同打印阶段都持续记录。因为模型在训练时需要同时看到“正常画面长什么样”和“缺陷画面长什么样”，如果正常样本全部来自刚打印的基层阶段、缺陷样本全部来自打印进行到一半的乱丝画面，模型很容易学到“下半层画面=正常”、“上半层画面=异常”这种完全错误的关联。

实际采集时，我刻意在不同的打印任务里故意制造了不同类型的失败。比如通过降低热床温度来诱发首层粘附失败，产生典型spaghetti；通过把回抽距离调到极小来诱发stringing和规律性zits；也保留了大量正常打印的图片作为背景负样本。整个过程攒了约4000张图，其中正常样本约2500张，异常样本约1500张，三类缺陷数量基本均衡。

3.2 标注工具与标注规范的制定

标注工具用的是开源方案LabelImg，操作简单，适合单人标注。但这不代表可以随便标，标注的质量决定了模型能力的上限，这一点在做小目标检测时尤其明显。

我踩过的第一个坑是stringing标注不完整。细丝数量多、分布密，标着标着就容易漏掉一部分，特别是一条丝从左上斜跨到右下的那种，边界框很难画得又紧又准。但如果漏标了，模型就会把“漏掉的部分”当做负样本来看——同样的特征，有些标了有些没标，模型会极度困惑。

后面我定了一套自己的标注规范：对stringing，只要一根细丝的可辨识长度超过边界框短边的30%就单独标注，连续的多根丝各自独立标框；对zits，只标直径超过该层层高2倍的凸起，小于这个尺寸算正常表面噪声；对spaghetti，只要出现明显脱离模型的自由乱丝区域就标注，但单个漂浮细丝不标，那可能是灰尘或摄像头噪点。这套规范执行下来，标注一致性高了很多。

标注完成之后还需要做一次质量检查，比较推荐的做法是把标注结果随机抽30%重新过一遍，重点看边界框有没有偏离目标本身、类别有没有标错。我在检查时就发现了不少把紧凑型spaghetti标成zits的情况，这类错误会直接干扰模型对两类缺陷的边界学习。

3.3 数据增强策略：小目标检测的胜负手

原图4000张对于深度学习目标检测来说只能算“及格线”。如果直接训练，模型很容易在小样本条件下过拟合。所以数据增强这步非常关键。

常规增强我用了一套，包括随机亮度调整、对比度调整、水平翻转、随机裁剪缩放。3D打印监控场景有个特殊性：摄像头位置相对固定，光照环境也相对稳定，太激进的颜色扰动反而会让模型学到不了的东西。所以我在颜色增强上只做了小幅范围调整，保留真实环境的纹理和色调变化。

针对stringing小目标，重点增强是两种。第一种是复制粘贴增强：把标注好的细丝区域随机剪切下来，再以随机角度贴到其他图片的随机位置上，同时复制对应的边界框信息。这招能直接把含stringing的样本数量成倍增加，我在项目里把这类样本从约600张增加到了2000多张。第二种是多尺度训练，配合输入分辨率的变化，让模型适应不同打印尺寸下相同缺陷的尺度差异。这两招叠加，小目标的召回率提升非常明显，后文会给出具体数据。

有个增强操作要小心，就是Mosaic拼接增强。YOLO训练里Mosaic是默认会用到的功能，它能大幅提升背景多样性，但副作用是缺陷图案会被变形的拼接边界切开，导致边界框跨图。处理办法是在增强器里打开“随机丢弃部分小目标”的选项，或者干脆在Mosaic时对拼图边界上的目标做剔除，避免给模型输入大量残破不全的缺陷样本。

4. 模型选型与YOLO26训练实战

4.1 YOLO26的选型理由和适用边界

我在标题里写的是YOLO26，严格说它并不是官方版本的命名，而是我基于当前YOLO系架构做的一次自定义组合与调优实践的代称。项目里实际使用的基座是YOLO系列较新的检测框架，在保持单阶段检测器高推理效率的基础上，针对这个3D打印检测场景做了三处结构层面的调整。

第一处是增强浅层特征图的通道权重。zits和stringing都是小目标，它们的语义信息主要存在于浅层特征图中，所以我把特征金字塔中浅层分支的通道数提升了约百分之三十，付出的代价是整体推理速度降低了大概百分之十，但对于离线图片检测和摄像头每秒几帧的处理需求来说，完全可接受。

第二处是检测头的解耦调整。正常YOLO的检测头是把分类和回归分支分开设计的，我在做缺陷检测时发现，不同类别的缺陷对分类和定位的偏好差异很大：spaghetti更关注聚类形态，zits更关注局部轮廓，stringing更关注长宽比和方向。所以我给每个类别配了不同的预测偏好权重，训练时分类分支对spaghetti的权重提高，回归分支对stringing的权重提高，实测下来各类别最终平均精度都有提升。

第三处是在模型输出层面加了一个基于时间的后处理过滤器。单帧检测结果不管多准，总有偶发误报，但如果同一位置连续3帧都被检出同类缺陷，基本可以确定不是意外。这个过滤逻辑对实时监测场景特别有用，它把单帧检测的“可能”提升成了多帧确认的“必然”。

4.2 训练环境与超参数配置

训练环境用的是单卡配置，一张消费级显卡，Ubuntu系统，Python环境用PyTorch框架配合YOLO训练套件。整个项目的数据规模在单卡上跑完全不是问题，一个完整的训练周期大概40分钟到1小时。老实说，这个场景的数据量远不需要用到多卡分布式训练，单卡反而是最省心的选择。

关键超参数配置如下：

• 输入分辨率：1280x1280，为了小目标检测特意提高，代价是每张图的显存占用至少翻倍，但效果值得。实践下来这个分辨率对stringing的小目标检测是质的提升。
• 训练轮数：150轮，在第80轮和第120轮分别做学习率衰减，起步学习率0.001，权重衰减0.0005。
• 批次大小：在1280分辨率下单卡能跑的最大批次是8，如果显存不够可以考虑降低到640输入再配合切片增强。
• 损失函数：分类部分用带Focal Loss的变体，重点关注严苛的难样本，因为stringing这种目标太容易淹没在大量背景中。
• 优化器：动量0.937带动量衰减的SGD，比Adam在目标检测任务上表现更平稳。

这里要提一个容易踩的坑：预热轮数。YOLO训练建议在前3轮做学习率预热，这个选项默认开启，但如果数据量小、类别多，预热轮数可以增加到5轮，让模型在前期不至于因为学习率太大而在小数据集上跑飞。我试过不开预热的配置，损失前10轮都是抖动的，后面再收敛效果明显差一截。

4.3 训练过程的监控与中断判断

训练过程中我最常看的是三个指标：训练损失、验证集的mAP50、验证集的各类别AP。mAP50代表边界框与真实框的IoU超过0.5时算检中的平均精度，这个指标对zits和spaghetti足够，但对stringing这种长条形小目标，需要同时关注mAP75甚至更高的IoU指标，否则可能出现“框大了很多但IoU不够0.5”的假阳性。

训练到大约第120轮时，多类别AP出现分化。spaghetti的AP50已经接近0.92，zits大概0.85，stringing最差，差不多0.72。这个顺序基本符合三类缺陷的难度差异——目标越大、形态特征越明显，检测越容易。后面通过调整增强策略和输入分辨率，stringing的AP50最终提到了0.83，已经足够在日常监测里做可靠报警。

还有一个容易忽略的问题：验证集划分时如果同一批连续帧图片被分到了训练集和验证集两边，会造成严重的数据泄露，验证指标虚高。我在划分时专门检查了图片的时间戳，确保同一个打印任务的照片要么在训练集要么在验证集，绝不交叉混入。

4.4 消融实验和效果对比

为了确认优化措施真实有效，我做了简单的消融对比。基线配置是640分辨率、标准增强、不调整结构，其他全默认；增强组在基线基础上加了复制粘贴增强和多尺度训练；完整组在增强组基础上加了结构调优和1280输入分辨率。

结果很清楚：

推理耗时是单卡GPU下的数据，看这个表最想说的一点是：对3D打印监测这个实时性要求不高的场景，完全不需要为了省那十几毫秒牺牲掉百分之十几的精度。实际部署时我甚至刻意降低了推理频率，每2秒检测一次，配合时间过滤，稳定性和精度才是王道。

5. 部署与实时监测链路构建

5.1 从检测模型到监测系统的架构设计

训练好模型只是第一步，要真正在打印机旁边跑起来，需要把模型、摄像头、报警逻辑串成一个完整的链路。我之前见过不少人止步于训练完模型，因为OUTPUT一张测试图看起来效果不错，一旦接上真实画面就发现速率跟不上、误报刷屏、界面难用。

我的架构分四层：图像采集层、检测推理层、后处理决策层、通知执行层。图像采集层负责周期性抓取摄像头画面；检测推理层加载训练好的YOLO26权重，对每帧图做推理；后处理决策层把单帧检测结果输入时间过滤器，并判断是否有缺陷连续出现；通知执行层在确认缺陷后触发报警，可以接入微信、邮件、或者直接通过GPIO控制打印机急停。

这个分层的好处是每一层都能独立替换和调试。比如初期我摄像头用的是USB直连，后期想换成网络摄像头只需要改采集层接口，模型推理层完全不动。监测系统本身也是可以自己独立运行的一个项目，日志、报警记录、画面保存都独立维护，跟打印机的控制系统完全解耦。

5.2 部署环境优化的四个关键点

第一是模型导出格式的选择。训练框架里直接用Python推理当然可行，但部署时我更推荐先转成ONNX格式，再编译成专用的推理引擎。ONNX的好处是跨平台，而且推理引擎对ONNX的支持通常非常成熟。这里有个小坑：转ONNX时YOLO的输出的格式、后处理逻辑可能会和原生推理不一致，需要在转换成ONNX后单独写一个后处理器和输出解析的适配层，否则导出结果会和训练时测试的结果对不上。

第二是输入预处理要保持和训练一致。很多人在部署阶段图省事，随便用OpenCV的imread读图就塞给模型，结果图的方向、色彩通道顺序、归一化方式都跟训练时不一致，检测精度断崖式下降。这个坑特别隐蔽，排查了半天还以为是模型权重的问题，后来发现就是BGR通道顺序搞反了。

第三是推理频率要和打印速度匹配。正常打印中，每层打印可能需要几十秒，缺陷的形成也不是一瞬间完成的，所以每2秒一次检测完全够用。频率太高反而会把偶发的画面反光误判成什么异常。我实测下来，降低推理频率后，误报数量几乎没有，缺陷报警的及时性反而因为时间过滤器的确认机制变得更合理。

第四是报警的防打扰设计。打印动辄几小时，如果每一个可疑信号都报警，人很快就会麻木，反而漏掉真正的危险信号。所以在通知执行层我设置了两级阈值：单帧检出缺陷但不连续，只记录日志不报警；连续3帧检出同位置缺陷才推送报警。实际操作中这个设计非常有效，直接消灭了百分之九十以上的无效报警。

5.3 摄像头安装角度与光照处理经验

摄像头的安装角度比很多人想象的重要。正面正对着打印平台不一定是最好的方案，因为喷头和热床在正视角下会大量重叠，缺陷区域容易被喷头遮住。侧前方45度俯视是实测最合适的角度，能看到喷头下方和模型侧面的完整视野，spaghetti大范围乱丝拽出来时也拍得到延伸方向。

光照方面，3D打印机通常自带LED灯条或灯带，但这些灯的角度和色温对画面影响极大。我的建议是补一个独立的漫射光源，避免强光直射到模型表面造成局部过曝。spaghetti在过曝环境下会丢失纹理细节，模型很容易分辨不出；stringing细丝在背光环境下会消失在阴影里。好的光照条件是“均匀、柔和、无直射”，跟拍产品图一个道理。

5.4 在低算力设备上的轻量化部署思路

我的主要部署环境是带独立显卡的机器，但很多打印室的场景是打印机旁边只有一台普通的工控机或者老旧笔记本，没有独立显卡。这种情况也不是不能部署，YOLO26可以做一些轻量化调整。

一是降低输入分辨率到640，配合切片预处理，比直接1280推理快很多，精度损失可控。二是更换轻量Backbone，把标准结构替换为更小的网络，推理速度能提升大概两倍，代价是mAP降低几个点。三是用CPU推理的存量优化版本，针对Intel或ARM平台做量化，实测在普通工控机上能做到每2至3秒一帧的检测，满足监测需求。

如果目标是做一个自包含的监测盒，还可以考虑把模型烧录到边缘计算设备里，用NPU推理。这类设备功耗低、体积小，直接安装在打印机旁边，通过简单脚本就能实现摄像头接入和推理。我在项目中做过类似方案，整体部署成本比一台独立显卡机器低不少，适合小批量复制。

6. 常见问题、失败模式与排查手册

6.1 检测漏报率高，怎么排查

漏报率高的第一怀疑对象是数据标注，不是模型结构。先统计三个类别的样本数量，如果没有明显不均衡，再去标注里抽查有没有漏标的部分。我用过一个辅助方法：把训练好的模型跑一遍训练集，把模型“预测到但原标注里没有”的框全部列出来，人工检查这些框是不是其实对应着漏标的真值。这个思路能从模型视角反向帮我们找数据问题，效率比纯人工反复看图快太多。

第二怀疑对象是输入分辨率和预处理一致性。训练时用1280，部署时如果用的640，之前能检到的小目标大概率丢一半。所以每次切换部署环境，我都要先把同一张测试图分别喂给训练推理脚本和部署推理脚本，对比输出差异。

第三是检查类别间混淆。如果spaghetti的漏报其实是被模型误判成了zits，那说明这两类的视觉特征在训练数据里存在交叠。解决办法不是简单加样本，而是仔细检查标注边界——紧凑型spaghetti和zits的边界确实模糊，我最终靠调整标注规范把两个类别重新分隔开，训练后混淆明显减少。

6.2 误报频发，先看时间过滤器和背景干扰

误报频发最常见的是把模型表面的正常纹理当成了zits。这种情况在光照变化大的时段尤其严重，比如太阳光从窗外斜射进来，把模型表面的层纹打出阴影，看起来就是一个一个小疙瘩。我的处理方案是把检测位置限定到热床范围内，超出边界的结果直接丢弃；同时配合时间过滤机制，零散误报会被过滤掉。

还有一个隐藏的误报源是摄像头自动白平衡和自动曝光。它们在画面动态变化时自动调整参数，会导致同一场景在不同时刻的色调和亮度差异巨大。为了让画面条件稳定，我用摄像头SDK把自动曝光、自动白平衡全部关掉，固定手动参数，模型推理的稳定性立刻提升了一个台阶。

6.3 模型训练不收敛的排查思路

训练不收敛时，最优先排查的还是数据。如果标注类别严重不平衡，比如zits只占样本总数的5%，模型会直接忽略掉这个类别，表现为该类别AP接近0。我对此的做法是给损失函数加类别权重，给稀有类别的损失放大倍率，但它只是补救措施，源头还是得靠复制粘贴增强补齐稀有类别样本。

另一类是数据标注错误导致的收敛困难。如果部分样本的标注框尺寸与目标实际尺寸差距过大，模型在回归分支上会反复震荡。一个快速检查方法是画出训练集中所有边界框的尺寸分布，看是否存在明显偏离正常范围的点，手动修正后再训练。

最后是学习率策略问题。训练损失前期下降正常，但到了100轮以后开始不稳，多半是学习率衰减时机不对。我的经验是衰减点放在总轮数的60%和80%处比较稳妥，原文中用的是第80和第120轮，算下来就是这个比例。

6.4 部署现场的新问题：误报来自打印过程本身

有一类误报是训练阶段完全没预料到的，就是打印过程中的正常现象被模型判为缺陷。比如填充密度低的时候，顶层会出现明显的网格纹路；支撑结构去除后，接触面上有残留的小凸点；甚至喷头在打印间隙的“擦拭”动作，会在模型边缘留下一小段正常的擦拭线——这些在检测模型看来都有点像zits或short stringing。

处理这类问题没有取巧的办法，唯一有效的方式是把这些正常现象也收集成负样本，加进训练集里重新训练。我在项目里专门建立了一个“正常异常难例库”，里面有各种角度的填充纹路、支撑残点、擦拭痕迹，每一轮模型更新都把新发现的可疑情况补充进去。这个库的量级不大，但每一张都在真实环境中踩过坑，效果比几百张普通正常图还要好。

7. 项目延伸与后续可做的方向

这个项目做完之后，能明显感受到的不是模型本身有多强，而是“一套完整的数据和监控闭环”带来的价值比单点模型大得多。当检测稳定之后，下一步可以做的方向有几个。

一个是把检测结果和切片参数关联起来，做一个自动化调参建议系统。比如检测到频繁stringing时，系统可以直接提示“回抽距离增加0.5mm，回抽速度降低20%”；检测到zits集中在尖角区域时，提示“激活模型尖角减速参数”。这些建议来自检测结果和参数的知识映射关系，虽然原始模型不输出建议，但把检测结果接入一个参数决策表就能实现，工程上并不复杂。

另一个方向是多摄像头融合。从正面和侧面各放一个摄像头，同时监测热床和模型的不同区域，两个角度的检测结果做空间校准后合并。对大型打印件来说，单摄像头存在视野盲区，多摄像头的方案能更好覆盖整个打印区域，只是标定和融合逻辑需要额外开发。

还有一些更远的方向，包括把整个检测链路嵌入打印机的固件层，通过串口或GPIO直接控制打印中断。这样当检测到严重spaghetti时，系统不只报警，还能主动暂停打印，减少耗材浪费和可能的安全风险。这个功能实现起来需要在打印控制协议里加一条“暂停”指令，配合检测系统在确认缺陷后自动触发，安全性上需要做多次验证再上。

从我个人实际使用的角度来看，这个项目最大的收获其实是一套从数据采集、标注、训练到部署的完整方法论。以后不管是做别的缺陷检测，还是换成其他制造场景，这套流程都是可以直接复用的。如果你正准备做类似的项目，我的建议是：别急着调模型结构，先把数据采集和标注规范做扎实，把部署环境的稳定性做到位，你会发现检测效果自然就上去了。