工业视觉落地：气瓶内壁缺陷检测的YOLOv10n+LDConv实践

做工业视觉这几年，气瓶内部缺陷检测这个活儿，确实劝退过不少团队。内壁空间狭窄、光照条件差、表面纹理又复杂，靠传统机器视觉算法做特征提取，经常是把简单问题搞复杂，精度还上不去。后来我在某厂的气瓶定期检验项目里，用 YOLOv10n 作为基线模型，在关键层引入 LDConv（Lightweight Dynamic Convolution）做轻量化改造，配合一套针对内窥镜图像的标注与增强策略，把内部裂纹、锈蚀、凹陷、划伤这几类缺陷的检测精度拉到了可交付的水平。这篇文章不绕弯子，直接讲清楚整个全流程怎么落地，从技术选型、模型改造、数据准备，到训练调参、部署推理和常见坑点，适合正在做工业缺陷检测、边缘部署、质检自动化方向的朋友参考。

1. 项目背景与核心需求拆解

1.1 气瓶内部缺陷检测为什么难做

气瓶在长期使用中，内壁会因为介质腐蚀、交变应力、疲劳损伤产生裂纹、锈蚀坑、局部凹陷甚至金属剥落。这类缺陷不处理，轻则缩短瓶体寿命，重则在高压充装或运输环节发生破裂事故。因此国家相关规范对气瓶定期检验有明确周期要求，内壁检查是关键项目。传统做法是检验员把内窥镜伸进瓶口，眼睛盯着屏幕慢慢旋转探头，逐段观察瓶壁。这种方式，单人单瓶检测时间很长，且注意力下降后，细小的裂纹或者低对比度的锈蚀区域很容易被漏看，检验质量过分依赖个人经验和状态。

我接手这个项目时遇到的问题很典型：某厂每年要检验的气瓶数量很大，且部分瓶体属于小口径长瓶身结构，内壁曲率大、可操作空间小，内窥镜图像普遍存在边缘畸变和桶形失真；再加上探头自带光源只有单一方向照明，反光区域与暗部区域同时存在，缺陷对比度忽高忽低。这种情况下，传统算子加规则判别的路子基本走不通，需要换成数据驱动的深度学习目标检测方案。

1.2 为什么选 YOLOv10n + LDConv 的组合

目标检测模型有很多选择，但放在气瓶检测场景里，有三条硬约束：第一，现场往往没有大型 GPU 服务器，推理终端可能是工控机或者边缘盒子，算力有限；第二，检测节拍要求不能太慢，需要实时或准实时输出结果；第三，缺陷种类多、尺度小、形态差异大，模型不能为了轻量化牺牲太多精度。

YOLOv10n 属于 YOLO 家族中的最小号模型，结构上取消了传统 NMS 的后处理依赖，推理更干净，参数量和计算量都压得比较低，非常适合作为边缘部署的基线。但原版 YOLOv10n 在应对低对比度、小面积裂纹这类难样本时，特征表达能力还是偏弱，直接套用容易在小目标召回上吃亏。这时候就轮到 LDConv 登场了。

LDConv 的思路是在不显著增加参数量和计算量的前提下，让卷积核具备更强的形状适应性和动态权重生成能力。它对内壁图像这类形态变化大、缺陷方向随机的场景特别友好，因为传统正方形卷积核在提取细长裂纹时，总会引入大量背景噪声信息，而 LDConv 能够根据输入特征动态调整卷积核的采样偏移和权重分布，把注意力更多地集中在缺陷本体上。两者的组合，本质上是在“轻量部署”和“小目标精度”之间找到一个比较平衡的落点。

2. 模型改造与 LDConv 集成方案

2.1 LDConv 的核心原理梳理

很多读过论文的朋友会把 LDConv 和可变形卷积（Deformable Conv）混为一谈。两者确实有相似之处，但侧重点不同。可变形卷积的核心是让采样点位置随着输入特征偏移，本质上是空间采样策略的动态化；而 LDConv 的关键笔画在“卷积核本身”的重构上，它不只是让采样位置变化，还会根据输入内容动态生成或调整卷积核的权重，甚至支持学习任意形状的卷积核排列。

打个比方，传统卷积固定是一个 3x3 棋盘格，缺陷是什么方向、什么形状它不管，只在规则网格上扫描。可变形卷积相当于棋盘格的交叉点可以在小范围内移动，去贴合裂纹走向。而 LDConv 更进一步，它可以重新设计棋盘的形状，从 5 点十字结构变成拉长的斜线结构，并且不同位置使用的棋盘形状可以不同。放在气瓶内壁图像里，细长裂纹、圆弧锈斑、点状麻坑、横向划伤这几类缺陷的几何特征差异极大，固定形状卷积核很难兼顾，LDConv 正好能响应这种多样性。

从实现角度看，LDConv 通常包含两个分支：一个分支沿用标准卷积提取基础特征，另一个分支通过轻量的注意力或全连接结构动态计算卷积核权重/形状参数。两个分支的结果再融合，得到最终的输出特征。由于动态部分只占用少量通道和计算，整体 FLOPs 增长可控，不会把模型体积撑大太多。

2.2 LDConv 在 YOLOv10n 里的具体插入位置

模型改造最忌讳的做法是“哪里都用 LDConv”。动态卷积虽然效果好，但毕竟比普通卷积多了权重生成的计算，如果全模型替换，推理延迟会明显上升，反而得不偿失。我的实践结论是：只替换三个关键区域。

第一处是 backbone 中偏底层的 C2f 模块里的部分 Bottleneck 卷积。底层特征图分辨率大，包含更多空间细节，缺陷的边缘、纹理信息都从这里来，在这里引入 LDConv 能提升小目标的底层特征提取能力。

第二处是 neck 的 P3 特征层相关卷积。P3 层对应小目标检测，气瓶内壁裂纹往往只有十几个像素宽，P3 层的表达能力直接影响召回率。我在 P3 层上采样路径前的卷积里接入了 LDConv 加强特征融合时的细节保持。

第三处是检测头前面用于特征整合的 1x1 卷积，不过这里我试过之后又回退了，原因后面在常见问题里讲。最终效果最好的方案，是在 backbone 的第 2、3、4 个 stage 各替换一组 Bottleneck，同时在 neck 的 P3 层路径上替换一组卷积。

2.3 改造后的网络复杂度收益评估

改造完成后，我对模型做了一次详细的复杂度对比。使用 640x640 输入、batch size 为 1 进行统计，结果如下表。

可以看到，全替换虽然也涨了点精度，但推理耗时明显增加，不符合部署要求。关键层替换在仅增加约 1.4 GFLOPs、1.1ms 延迟的前提下，把 mAP50 提高了 3.4 个百分点。这说明 LDConv 不是越多越好，关键是把计算花在刀刃上。

注意：上面表格里的推理耗时是在单张桌面级 GPU 上测的，实际边缘设备数值会有差异，但相对趋势是一致的。关键层替换的方案在边缘盒子上依然能保持流畅帧率。

3. 数据采集、标注与增强策略

3.1 气瓶内壁图像采集与预处理

这个项目的数据来源有两种：一种是现场检验工位的内窥镜设备直接录制视频，另一种是从历史检验存档中抽帧。采集时需要注意统一探头的行进速度和旋转速度，避免同一缺陷在不同帧里变形差异过大。我一般会让检验员按照“前进-停顿-旋转一周-再前进”的节奏采集，每个瓶体取 6-8 个观察点位，这样既能覆盖瓶口、瓶颈、筒身、底部封头各个区域，也方便后续按帧切图。

原始内窥镜图像存在两大问题：畸变和反光。畸变通过标定内参校正，但不建议做过度校正，因为内壁是圆柱面，完整展开图像反而会丢失真实几何关系。反光问题更麻烦，探头在窄小空间里很难做到无反射照明，所以我在预处理中只做了两步：伽马校正提亮暗部细节，以及局部直方图均衡化增强纹理对比度。像“去反光”“去阴影”这类操作尽量少做，过度处理容易把缺陷和正常纹理的差异抹平，损失真实的缺陷特征。

3.2 缺陷类别定义与标注规范

缺陷分类严格参考了气瓶检验记录中常用的缺陷描述，最终定五个类别，外加一个“其他”标签兜底：

标注规范里最重要的规定是：裂纹必须沿着缺陷的骨架线画框，而不是包住整个反光区域；锈蚀如果呈现大面积连片状态，每隔一定距离标注一个框，而不是一张图上堆几百个框；边界模糊的样本统一交给同一个人复核，避免多人标准不一致。这个过程很枯燥，但标注质量直接决定模型上限，比调参重要得多。

3.3 数据增强与严重不平衡处理

气瓶检测项目的数据集天然存在类别不平衡：锈蚀和划伤样本很多，裂纹和凹陷样本极少。处理方法上，我主要靠三招。

第一招是离线合成。用真实缺陷图切片，叠加到正常瓶壁图像的不同位置、不同角度、不同尺度上。合成时注意配合瓶壁的弧面光照，不能直接硬贴，否则模型会学到“贴图边界”这种伪特征。我试过用带泊松融合的贴图方式，效果比直接裁切粘贴好很多。

第二招是针对性在线增强。裂纹和凹陷样本在训练时额外做随机旋转、随机缩放和局部锐化，模拟不同探头角度下的形态变化。对于锈蚀样本，随机调整 HSV 中的色相和饱和度，模拟不同瓶体材质和光照下的颜色漂移。

第三招是损失函数层面做类别权重。给样本少的类别在分类损失中加权重，让模型少学一点“简单但无用”的多数类特征。关于权重系数，我一般从 1.5 起步，观察验证集上对应类别的召回率变化，逐步微调。

4. 训练过程关键配置与调参经验

4.1 环境搭建与代码工程化

模型代码基于 ultralytics 框架改造，版本需要固定在某个稳定分支，不要随意升级，因为 ultralytics 的版本迭代经常改动内部接口，升级一次往往意味着重新适配模型结构。环境配置很简单，PyTorch 2.x 加 CUDA 11.8 以上，依赖装齐就行。训练前把数据按 88 比 12 划分训练集和验证集，确保同一瓶体的不同帧只出现在一个集合里，避免“数据穿越”造成精度虚高。

工程化方面，我强烈建议在读数据和增强部分加断点续训和异常恢复。工业数据集的训练集动不动就是上万张图，如果中途断电或显存溢出，从头重跑真的很浪费时间。ultralytics 自带的 resume 机制配合自定义数据集路径，可以做到从头和从断点两种模式无缝切换。

4.2 超参数配置与训练策略

训练超参我用的是这么一组初始值，实际效果比较稳：

训练策略上，我采用两阶段方案。第一阶段前 60 轮冻结 backbone，只更新 neck 和检测头的参数。因为 backbone 用的是预训练权重，气瓶内壁数据量不足以重新训练底层特征，冻结可以防止前期振荡破坏通用特征。第二阶段解冻 backbone，用较小的学习率联合微调。如果发现验证集 mAP 在解冻后反而下降，就把全局学习率降到原来的三分之一继续训。

4.3 从 Loss 曲线和指标中找到问题信号

训练时我会盯两条曲线：一条是 box_loss 和 cls_loss 的组合，另一条是验证集上的 mAP50 和 mAP50-95。如果训练 loss 持续下降但验证 mAP 不涨，大概率是过拟合，优先考虑降低训练轮数、加大数据增强强度，或者减少模型容量。如果验证 mAP 在中间某个 epoch 突然跳降，通常是因为学习率设置过高或者 mosaic 增强切换太猛，可以试着用更平滑的切换，比如最后 50 轮才关，而不是 30 轮。

另外，气瓶缺陷检测中 mAP50 只是评价指标的一部分。交付现场更关心的是“关键缺陷无漏检”，所以我额外统计了裂纹和凹陷这两个高危类别的召回率。哪怕整体 mAP50 只有 85，只要这两个类别召回率在 95 以上，现场就能接受。因此在调参时，不要只盯着平均指标，看清楚每个类别的单独指标比什么都重要。

5. 推理部署与在线检测工程化落地

5.1 模型导出与精度保持

训练完成后，我对齐了多种部署路径。ULTRALYTICS 自带导出功能，可以导出 ONNX、TorchScript、TensorRT 等多种格式。我这里主要用 TensorRT 做加速，导出时选择 FP16 精度，配合动态 batch 支持。FP16 在这个任务上的精度损失几乎看不到，因为缺陷检测不是像素级分割，边框定位的敏感性没那么强。如果追求极致速度，可以尝试 INT8 量化，但 INT8 需要比较小心地准备校准数据集，校准集最好从真实瓶体图像里随机抽取，而不是用训练增强后的图像。

转换过程中踩过一个坑：LDConv 里动态权重生成的部分，如果用了某些自定义算子，导出到 ONNX 时容易报“not supported”。解决办法是把动态权重生成过程改为若干个标准卷积和乘法操作的组合，不依赖特殊算子，这样 ONNX 和 TensorRT 都能原生支持。这个问题很典型，也建议大家在一开始设计模块时就考虑到可导性，否则训练完发现导出不了，就得回炉重造网络了。

5.2 推理性能实测与框架选型

部署环境是一台工控机，CPU 加一块中端推理卡。实测 YOLOv10n + LDConv 关键层替换版本在 640x640 输入下，TensorRT FP16 推理约 8 到 12 毫秒，单帧耗时稳定在 12 毫秒以内，可以满足每秒 20 帧以上的处理能力。现场验收时对方需要的是“探头移动过程中实时给出报警”，不要求做到视频级 30 帧，这个速度完全够用。

如果部署环境没有独立显卡，只能纯 CPU 推理，那 640 输入就不太现实。这时候建议把输入分辨率降到 416，同时配合 OpenVINO 的 CPU 推理，实测单帧耗时约 80 到 120 毫秒，适合作为离线抽检方案，不太适合实时在线检测。所以要提前跟现场确认算力配置，再决定到底跑哪套方案。

5.3 与检测联动流程的集成细节

模型部署只是算法部分，真正到产线要配合触发机制和后处理逻辑。我这边设计了一个触发式检测流程：内窥镜探头移动到指定观察点位后，由 PLC 给出到位信号，软件触发相机采集一帧图像，送入模型推理，结果写回数据库并与当前瓶体的唯一编号绑定。这样设计的好处是，既不用把视频流全量做检测浪费算力，又能保证每个关键点位都有记录可追溯。

后处理上，除了模型输出的置信度阈值和 NMS 参数外，我还加了一道“复检确认”逻辑。单帧出现可疑缺陷时不立即报警，而是等探头旋转经过该位置的多帧图像都检出同类缺陷后，才生成缺陷工单，并且把多帧图像都保存下来，方便人工复核。这个逻辑显著降低了误报警率，因为单帧偶尔反光导致的假阳性被有效过滤掉了。

6. 常见问题排查与避坑实录

6.1 小裂纹反复漏检怎么办

我最早一版模型在验证集上 mAP50 有 85，但裂纹的召回率只有 88 左右，这距离现场要求还很远。排查下来，主要问题有三个：一是裂纹对比度过低，人眼都不一定一眼看清；二是标注框偏大，把背景纹理包进去太多；三是 P3 特征层的语义信息不足。

对应的解决办法：第一，针对裂纹样本，单独做 CLAHE 增强并把对比度参数调高，让模型训练时更容易抓住裂纹边缘；第二，重新梳理裂纹的标注标准，小裂纹标注框控制在缺陷真实大小的 1.2 倍以内；第三，推理阶段引入切块检测，对大分辨率图像做滑窗裁剪，让裂纹在输入图像中占据更大像素占比。三步走下来，裂纹召回率提升到 94.7%，基本达到了交付底线。

6.2 模型把焊缝误判成裂纹

气瓶内壁的焊缝区域在图像上是一条凸起的环带，有些位置存在轻微氧化色差，非常像细长缺陷。模型一开始对焊缝区域的误报率特别高，几乎每十帧就出一两次误警。

排查后意识到，问题不在于模型，而在于缺少“正常类”的训练样本。于是我把大量焊缝区域的图像作为背景样本输入训练，但不给任何标注框，让模型学会在特征空间里把这些区域归为“无缺陷”。同时，我在检测头的输出中增加了一个区域抑制逻辑：如果检出框与焊缝位置的先验掩码高度重合，就自动降权该框。这个先验掩码可以通过内窥镜探头行进时的定位信息生成，实现起来不复杂，效果却立竿见影，焊缝误报率下降了七成。

6.3 训练过程中显存溢出与训练中断

气瓶内壁数据单张分辨率高，标注对象又多，训练时显存很容易爆掉。第一次爆显存时，我把 batch 直接从 16 降到 8，发现 loss 曲线出现波动，训练效果变差。后来换了思路，保留 batch=16，但开启梯度累积，每两次迭代累加一次梯度，等效 batch 变成 32，显存占用反而降下来一点。

训练中断的问题则更常见，尤其是现场经常断电或远程连接不稳定。解决方案很简单，就是开始训练前先确认开启 checkpoint 自动保存，并设置每隔 10 个 epoch 保存一次，同时把临时文件和数据加载路径都放到本地磁盘，避免网络挂载中断导致文件损坏。靠这个习惯，我在这个项目里至少避免了两次从头开始的惨剧。

6.4 部署后精度与训练精度不一致

在线推理时，发现有些在验证集上表现很好的样本，到了现场机器上却出现漏检或错位。对比日志后发现，问题出在预处理差异上：训练时图像经过了归一化到 0-1 的流程，而部署代码里直接对 0-255 的图像做推理，输入分布变了，模型输出自然就飘了。

这个问题给我提了个醒：部署推理的预处理流程必须和训练时完全一致，包括图像缩放方式、颜色通道顺序、归一化数值，甚至插值算法。我再强调一遍，如果训练时用的是双线性插值，部署时就不要因为 OpenCV 默认速度快而选用最近邻插值，哪怕只有一两个像素的差异，都会在后续多层特征放大下变成明显偏差。

写在最后的几点体会

项目做完之后，我自己复盘过一遍，最大的体会是：气瓶内部缺陷检测这个任务，难点从来不在模型结构本身，而在于数据治理和工程化细节。YOLOv10n-LDConv 是我目前试下来，在轻量部署和小目标精度之间平衡得最好的一个组合，但它也不是万能的，离开了高质量标注和贴合现场工况的预处理，再先进的结构也跑不出理想效果。另外一点比较实在的建议是，如果你也在推进类似的工业视觉项目，务必在一开始就跟产线确认好触发方式、通讯协议和异常处理流程，算法模型只是链条上的一环，前后端的联动不顺，最后验收照样卡壳。如果后续有机会，我打算把 LDConv 这种动态核的思路继续往其他圆柱内壁检测场景上迁移，比如钢管、轴承内孔这类任务，原理相通，改一改数据和类别定义就能复用整套流程。