一、问题

1.柱状图：

柱子高度：Spatter（飞溅）样本最多，Porosity（气孔）次之，Welding line 中等，Crack（裂纹）柱子最矮、数量极少。各类标注数量差距巨大，典型样本不均衡，模型会偏向学样本多的飞溅、气孔，不学裂纹。

样本严重不均衡：裂纹标注数量极少，飞溅、气孔样本数量巨大，模型天然偏向样本多的类别。

2. 1）混淆矩阵图：

横向真实标签是 Crack、Porosity、Spatter，纵向预测为 background（背景）单元格数字很大：大量真实缺陷被判成背景（漏检）；横向真实标签是 background，纵向预测为 Porosity、Spatter 单元格数值很高：大片空白背景、母材纹理被误判成气孔、飞溅（虚警）。

2）归一化混淆矩阵：

裂纹召回率只有 0.92，气孔 0.75，飞溅 0.73，都偏低；背景有 25%、27% 概率分别被预测成气孔、飞溅，虚警严重。

缺陷与背景双向混淆严重：大量真实缺陷被漏检判定为背景，母材锈迹、焊缝纹理、反光区域频繁被误判成气孔 / 飞溅，虚警率高。

3. 1）Recall - 置信度曲线：

置信度越高，裂纹、气孔、飞溅召回率断崖式下跌，说明很多真实缺陷置信度偏低。

2）推理检测截图（带置信分数）：

大量 Crack 裂纹标注框置信度只有 0.3、0.35、0.4，低于默认 0.5 阈值，直接被过滤不输出框； 肉眼清晰可见裂纹，但模型不画框，就是低置信漏检。

3）F1 置信曲线：

F1 最高点在置信度 0.435，不是默认 0.5，证明你用默认阈值人为漏掉大量有效缺陷。

细小缺陷检测能力弱：细裂纹、点状小气口尺寸极小，默认锚框适配差，大量裂纹置信度仅 0.3~0.4，极易被阈值过滤漏检。

4. 检测效果图：

一堆飞溅紧挨着、检测框轻微重叠； 默认 NMS IOU=0.45，重叠超 45% 就删掉一个框，相邻多个飞溅被合并成单个框，很多小飞溅直接消失，漏检。

密集飞溅检测异常：飞溅成片扎堆重叠，原 NMS（非极大值抑制：去重复方框的过滤器）阈值抑制过度，多个相邻飞溅被合并，局部缺陷漏检；

5.所有标注可视化图：

同一个气孔 / 飞溅上堆叠好多个重复标注框，一个缺陷多个框；

长条完整焊缝 Welding line 沿着焊缝密密麻麻连续标注一堆小框，整条焊缝反复标注，极度冗余；

母材锈迹、划痕无缺陷区域也被画上缺陷框，错误标注。

标注脏数据干扰模型：单个缺陷重复多层标注、长焊缝密集冗余标注，同时存在标错、漏标问题，训练引入噪声。 额外关键：F1 最优置信阈值为 0.435，原默认 0.5 阈值人为造成不必要漏检。

二、改善

1：推理端即时调参

1.置信阈值：全局统一设为最优值0.435；裂纹单独下调至0.35~0.4，召回低置信细小裂纹；气孔、飞溅不降低阈值，防止虚警反弹。

2.NMS 参数优化：密集飞溅场景 IOU 阈值由默认 0.45 调高至0.6~0.7，扎堆缺陷不会互相抑制丢失检测框。

调低识别门槛：整体放宽一点识别标准，特别细小的裂纹再放宽标准，别把肉眼能看见的小裂纹直接过滤掉；

密集飞溅不删框：一堆飞溅挤在一起时，不再随便删掉相邻的检测框，每个飞溅都能正常标出来。

2：修改损失函数：改模型扣分规则，重新训一轮就能提升准确率

1.替换默认 CE 交叉熵损失，采用Focal Loss+Dice Loss 组合损失 + 标签平滑：

Focal Loss：压低海量简单背景权重，重点学习缺陷 / 背景模糊边界，同时解决漏检、误报；

Dice Loss：针对像素占比极低的微小裂纹、小气孔，强制完整框住小缺陷；

标签平滑：模糊边界不强制硬分类，进一步降低背景误检概率。

2.开启类别权重配置，手动调高裂纹 Crack 损失权重，抵消样本数量悬殊问题。

换掉原来的打分方式，三重规则一起用：不让模型偷懒只学空白钢板、逼着它盯住针尖大小的小缺陷、模糊边界不强行判定类别；同时给稀缺裂纹加大扣分力度，模型不敢忽略裂纹。

3：数据集清洗 + 扩充（根源解决混淆、标注噪声）：整理图片标注 + 补充数据，从根源解决认错问题

  1.脏标注清理

同一个缺陷只保留 1 个标注框，删除重复叠加的多余标注；

整条长焊缝仅标注 1 个整体大框，删掉密集冗余重复标注；

人工核验修正标错、漏标的标注框。

  2.裂纹小样本扩充

使用 Copy-Paste：抠取真实裂纹，随机缩放、旋转、亮度扰动后批量粘贴到空白焊缝、生锈、反光背景图，自动生成配套标注，快速补齐裂纹样本。

  3.难例挖掘二次训练

单独导出两类易错图片组成难例子集追加微调：*（1）真实缺陷被模型判定为背景（漏检样本）；（2）锈斑、母材纹理等背景被误判为缺陷（虚警样本）。

清理标注：一个缺陷只画一个框，整条长焊缝只用一个大框圈住，删掉重复多余的标注；修正标错、漏标的框。

多造裂纹样本：现有裂纹图片太少，把现有裂纹抠出来复制粘贴到别的焊缝图里，批量增加裂纹数据。

错题二次学习：把之前漏检、误报的图片单独拿出来，让模型再学一遍错题，改掉认错的毛病。

4：网络结构针对性优化，小缺陷检出率大幅提升：微调模型内部结构，小缺陷更容易找到

1.用自身全部标注框重新聚类专属 Anchor 锚框，替换 YOLO 默认通用大锚框，适配细长裂纹、点状小气口。

2.骨干网络接入CA 注意力模块：适配长条焊缝特征，强制模型聚焦有效焊缝区域，自动屏蔽两侧母材锈迹、反光等无效干扰，大幅降低误报。

重新定制候选框：根据你自己缺陷的真实大小量身定做匹配框，不再用通用大框套细小裂纹、气孔。

给模型加 “聚焦功能”：强制模型眼睛只盯着焊缝这条区域看，自动忽略旁边生锈、反光的钢板，不会把钢板花纹误判成缺陷。

5：训练策略精细化调优，提升泛化能力：调整训练模式，模型实拍新工件也能用

1.两阶段解冻训练：先冻结骨干网络，仅训练检测分类头快速收敛；收敛后全网解冻、缩小学习率精细微调。

2.开启多尺度随机缩放训练，适配图片里大小、远近不一的各类缺陷。

3.叠加三重防过拟合策略：Dropout + 权重衰减 + 早停；验证集指标连续多轮无提升就停止训练，避免模型死记反光、锈迹等特有纹理，新实拍工件检测稳定不翻车。

分两步训练：先粗略学基础特征，再精细微调全部参数，训练过程稳不跑偏。

图片随机缩放训练：大图小图都学一遍，远近、大小不一样的缺陷都能识别。

防止死记硬背：加三道限制，模型不会死死记住训练照片里独有的锈迹、反光，拿到现场新拍的图片也能正常检测。

三、先后顺序

1.推理端设置全局置信度 0.435、裂纹单独 0.35~0.4，NMS IOU 调至 0.6~0.7，即时验证效果；

2.替换 Focal+Dice 组合损失、添加标签平滑，开启裂纹类别权重；

3.清洗冗余错误标注；Copy-Paste 扩充裂纹样本 + 难例子集单独微调；

4.重聚类专属 Anchor 锚框，网络嵌入 CA 注意力模块；

5.两阶段训练 + 多尺度增强 + 正则防过拟合，完整重训模型。

 混淆矩阵

裂纹，气孔，飞溅，焊缝极易被当成背景漏检，背景全被误判成各类焊接缺陷

优化方案

1. 数据集

1.裂纹样本量小，用翻转、Copy-Paste（复制粘贴扩充数据集）、合成数据扩充； 2。提取缺陷↔背景错分难例单独重训； 3.设置类别权重平衡样本数量差异； 4.核验修正标注错误，数据集按工件场景划分，杜绝数据泄露。

裂纹太小，模型打分普遍偏低，把识别门槛调低一点，少漏掉缺陷； 气孔、飞溅门槛稍微拉高，别把普通背景误判成缺陷。

2. 模型 & 损失

1.替换CE（CE = Cross Entropy Loss，交叉熵损失，就是你模型训练默认自带的「扣分规则」）为Focal Loss（专治：样本数量悬殊、分不清边界）+Dice Loss（专治：极小缺陷像素太少，模型看不见）Focal 负责分清「哪里是缺陷、哪里是背景」，减少误报漏报； Dice 负责把细小缺陷完整抠出来、框到位；两者互补。聚焦难分边界、改善小缺陷识别；加标签平滑（《1》不加平滑：标签硬性标1（缺陷）、0（背景），模型被迫百分百笃定分类，模糊焊缝纹理极易误报、还容易学死板。 《2》加标签平滑：标签微调为0.9、0.1，预留容错空间。《3》好处：减少背景误判缺陷，模型泛化性更强）； 2.接入CBAM / CA注意力（CBAM：同时看「每个通道哪些特征有用」+「图片上哪个位置重要」；CA 注意力：更擅长长条条状目标（你的焊缝就是长条），定位细长焊缝效果更好），锁定焊缝区域、抑制无效背景； 3.聚类适配小缺陷Anchor（锚框：模型预设的一堆固定大小矩形框，用来框住缺陷），多尺度特征融合提升细微缺陷检出能力。

gamma = 2（固定常用值） 调大到 2.5/3：模型更较真模糊缺陷，漏检更少，但更容易背景误报 调小到 1.5：抑制虚警，但漏检会轻微增多

alpha 就是给缺陷类别单独加权的权重系数。eg：alpha=0.25（默认值）：真实是缺陷：犯错惩罚系数 ≈ 0.25；真实是背景：犯错惩罚系数 ≈ 0.75

alpha = 0.25 缺陷样本太少就调到 0.3/0.35，强行拉高缺陷损失权重，模型不会无视小裂纹

3. 训练策略

1.分两阶段解冻微调，先用冻结骨干训练分类头，再全网络小学习率精调； 2.启用多尺度随机缩放训练；加入权重衰减、Dropout + 早停防过拟合。

4. 后处理（无需重训，快速调参）

分类别独立设置置信阈值：裂纹降低阈值减少漏检；微调 NMS IOU 阈值，降低虚警。

5. 指标监控

不再只看整体准确率，逐类监控召回率（防漏检）、精确率（防误检）、F1、mAP。