2023第十二届“认证杯”B题：缺陷检测|数学中国数学建模国际赛（小美赛）| 建模秘籍&文章代码思路大全

铛铛！小秘籍来咯！
小秘籍希望大家都能轻松建模呀，认证杯也会持续给大家放送思路滴
抓紧小秘籍，我们出发吧~
来看看认证杯（B题）！

问题重述：
 
金属或塑料产品表面的缺陷不仅会影响产品的外观，还可能对产品的性能或耐久性造成严重损害。我们希望我们的模型能够部署在廉价的手持设备上。这些设备的存储空间和计算能力非常有限，因此模型在计算量和存储空间方面要求很高。其次，由于该数据集并未涵盖所有的缺陷模式，当遇到其他类型的缺陷时，我们希望模型具有相对良好的泛化能力。Kolektor集团提供了一组有缺陷的生产物品图像数据集，我们希望利用这个数据集作为示例，研究通过照片自动检测产品表面缺陷的数学模型。
 
问题1 确定照片中是否出现表面缺陷，并测量模型执行此操作所需的计算量和存储空间。
 
由于题目中要求使用轻量级的模型，以适应廉价手持设备的计算和存储限制。我们所设计的方案，可以按以下形式展开：
 
为了完成上述任务，您可以考虑使用轻量级的深度学习模型，以适应廉价手持设备的计算和存储限制。以下是一个潜在的解决方案：
 
1. **模型选择**：
   选择轻量级神经网络结构SqueezeNet。这些网络结构在保持较低的计算和参数数量的同时，仍能提供良好的图像分类性能。
   使用迁移学习，利用在大型数据集上预训练的模型权重，以提高模型的泛化能力。
 
2. **计算量和存储空间**：
   通过选择轻量级网络结构，可以减少计算量和存储空间的需求。
   采用模型剪枝和量化技术，进一步减小模型大小和存储需求。
   针对手持设备优化推理引擎，例如使用TensorFlow Lite或ONNX Runtime，以提高推理速度。
 
3. **缺陷检测**：
   在训练集上标注每个图像的表面缺陷区域，以监督模型进行缺陷检测。
   使用图像分割技术，例如Mask R-CNN或U-Net，来实现对缺陷位置的精确标记。
   评估模型在测试集上的标记准确性，包括精确度、召回率和F1分数。
 
4. **泛化能力**：
   强调数据增强技术，如旋转、翻转和缩放，以增加模型对不同缺陷类型的适应能力。
   使用迁移学习的优势，通过在大型和多样性数据集上进行预训练，使模型更具泛化性。
 
SqueezeNet是一种轻量级的卷积神经网络（CNN）结构，其设计目的是在保持相对高准确性的同时，显著减少模型的参数数量，从而降低计算和存储资源的需求。SqueezeNet的主要理论和设计原则：
 
1. **Fire Module设计**：
   SqueezeNet引入了称为Fire Module的模块，以减少参数数量。
   Fire Module包含一个squeeze层和一个expand层。
   Squeeze层使用全局平均池化（GAP）来降低通道数量，从而减少计算负担。
   Expand层包含一个小的1x1卷积和一个较大的3x3卷积，以保持一些非线性表示。
 
2. **Bypass连接**：
   SqueezeNet使用了绕过（bypass）连接，将输入直接传递到输出，以促进梯度流。
   Bypass连接有助于防止信息损失，特别是在网络层级较深时。
 
3. **1x1卷积的重要性**：
   SqueezeNet大量使用1x1卷积，这有助于降低维度，减少计算复杂性。
   1x1卷积还可以增加非线性，提高网络表达能力。
 
4. **整体结构**：
   整体上，SqueezeNet采用了分层的结构，其中间层的特征图通道数量逐渐减小，以减小计算负担。
   具有全局平均池化的最后一层用于生成类别概率

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import models, transforms, datasets
 
# 加载SqueezeNet预训练模型
squeezenet = models.squeezenet1_1(pretrained=True)
 
# 冻结模型的参数
for param in squeezenet.parameters():
    param.requires_grad = False
 
# 替换最后的分类层
num_classes = 2 # 在这个例子中，我们假设有两个类别：有缺陷和无缺陷
squeezenet.classifier[1] = nn.Conv2d(512, num_classes, kernel_size=(1, 1))
 
# 定义数据预处理
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
 
# 加载数据集（请替换为您的数据集路径）
data_dir = "/path/to/your/dataset"
dataset = datasets.ImageFolder(data_dir, transform=transform)
 
# 定义数据加载器
batch_size = 32
data_loader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=True)
 
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(squeezenet.parameters(), lr=0.001)
 
# 训练模型
num_epochs = 10
for epoch in range(num_epochs):
    for inputs, labels in data_loader:
        optimizer.zero_grad()
        outputs = squeezenet(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
    
    print(f"Epoch {epoch+1}/{num_epochs}, Loss: {loss.item()}")
 
# 保存训练好的模型
torch.save(squeezenet.state_dict(), "squeezenet_model.pth")