回收场的传送带上紫铜、黄铜、铝合金、不锈钢混在一起顺流而下工人手里拿着磁铁和砂纸一眼扫过去就把大类分开——这套流程在中小型再生资源企业里实在太常见了。可真正麻烦的地方在于人工分拣只能回答“这是什么金属”回答不了“这块料够不够一级品”这种问题。而回收报价里纯度和等级偏偏就是最关键的变量。所以当时我决定做一套试验性系统基于SVM和ANN的废弃金属分类、分等级方案用机器视觉加机器学习在传送带上完成金属的类别识别和品级判断。这里说的分类是把金属分出大类分等级是在同一个大类里继续判出质量等级比如紫铜一级、紫铜二级。这套系统不需要顶级服务器普通工控机就能跑整个思路也适合中小型回收企业自己复制。下面把我从需求到落地踩过的坑、调过的参数、以及最终能跑通的结构完整记录下来。1. 项目背景与需求拆解1.1 回收行业真正卡在哪很多没进过回收车间的人以为废旧金属分拣就是“看看颜色、吸吸磁铁”。实际上去到现场之后就明白这活儿远比想象中复杂。先说效率。熟练分拣工一天处理两吨左右确实能做但前提是料型相对规整而且不能长时间保持高准确率。连续干四五个小时之后眼睛疲劳、注意力下降铜和铁当然不会看错但铝合金里不同系列的牌号、黄铜和青铜这类相似料型就很容易混。普通回收厂往往没有太多质检岗位一个工人要同时负责几个环节漏检率就上去了。再说等级。绝大多数回收厂对废料的等级判断靠的是老师傅经验比如“光亮铜一级”“铜米二级”“紫铜三级”。这些经验有体系但不稳定一个师傅一个判断标准。卖料的时候如果等级定低了高值料被当成低值料卖掉一年下来损失不小定高了买方检测不通过又会产生纠纷。用机器来做分类和分级本质上是把老师傅的经验固化成一套可重复、可校准的判断流程。这也是我最初做这个项目的核心动机不是要取代人工而是让分拣结果更有稳定性和说服力。1.2 需求定义从单模型分类到两阶段分级一开始我把问题想简单了以为训练一个分类模型能识别出“铜、铝、铁、不锈钢、锌”就完工了。后来跟做回收贸易的朋友聊过之后才意识到工业现场的完整需求其实包含两层第一层是类别判定这块料到底是什么金属属于哪个大类。第二层是等级判定在同类金属里这块料能定几级。这两个问题性质不一样。大类之间特征差异大颜色、密度、纹理都很明显等级之间的差异却细微得多往往只是氧化程度、杂质多少、表面油污覆盖比例的区别。如果用同一个模型硬扛两个任务模型会被“大类特征”主导等级上的细节特征反而学不到。所以最终系统被设计成两阶段先用SVM跑大类分类再对属于同一大类的样本用ANN做等级判断。1.3 优先落地的应用场景我梳理过三个潜在场景。第一个是破碎线前端的预分拣。料还没破碎块头大速度快主要需求是快速分大类对等级判断不必太精细。第二个是质检台上的精细检测。料已经被挑出来放到固定工位相机和光源条件可控这时候可以做高精度的等级判定。第三个是拆解流水线上的部件级识别比如识别电机里的漆包线、铜绕组、铝壳这需要细颗粒度的模型和更复杂的训练集。我最终选择第二个场景作为切入点原因是它最能体现“分类分级”的完整价值而且环境可控、数据好采集、模型好部署。先把这套流程跑通再往传送带上搬难度阶梯合理。2. 技术选型SVM和ANN各自的定位2.1 两种算法的直觉理解SVM全称支持向量机核心思路是找一个超平面把不同类别的样本分开并且让分隔边界离两边样本的距离最大化。它很擅长处理中小规模的样本数据尤其是特征维度几十维以内的情况。只要特征有区分度SVM给出的结果非常稳。ANN全称人工神经网络本质是一个多层非线性函数拟合器。给它足够多带标签的样本它能自己找到输入特征和输出类别之间的复杂映射关系。ANN的优势是上限高表达能力远超传统机器学习模型缺点是需要数据多、调参也费些功夫。如果做个通俗类比SVM像那种要求极其严格的质检员他的原则很明确就是要让不同类别之间的“安全距离”尽可能大逻辑简单可解释。ANN更像一个见多识广的老师傅看了成千上万个料之后建立起一种直觉你说不清具体规则但他判得就是准。2.2 为什么组合而不是二选一有人会问既然ANN这么强为什么不全部用ANN或者既然SVM省事为什么不全部用SVM我当时的判断依据是任务性质。大类分类的特征是离散性明显的紫铜和黄铜的颜色分布差异很大铝合金和碳钢的纹理、反光差异也很大。这种情况SVM非常擅长且样本量不用太大几百张也能训练出不错的效果。SVM还有一个优点分类决策边界相对简单模型不容易在小数据集上过拟合。等级判断就不同了。同一种金属的二级和三级可能在颜色直方图上只有几个百分点的差异可能同时涉及颜色、纹理、几何形状、表面覆盖率多个维度的连续特征。这些特征的联合作用用ANN来拟合更自然网络可以学到“颜色上偏暗一点点但同时表面氧化斑占比较多倾向于降级”这类复杂逻辑。所以我采用了组合流程第一阶段SVM做粗分类输出7个大类。第二阶段对每个大类单独训练一个ANN等级模型输出一级、二级、三级以及置信度。2.3 为什么没直接上深度学习卷积网络这是我在实际交流中回答最多的问题。现在提到图像分类很多人第一反应就是上CNN或者更重的网络。但在这个项目里我刻意避开了。原因有三点。第一是数据规模。回收现场的废料样本不像公开数据集一样容易获取。每种金属几百张图已经很不容易了还要覆盖不同污染程度、不同照明条件、不同磨损状态。这点样本量塞给CNN很容易过拟合训出来的精度反而没有手工特征加SVM稳定。第二是标注成本。深度学习端到端方案意味着要框出金属区域、标注类别、标注等级数据清洗和标注工作量非常大。而手工特征方案只需要保证图像质量稳定提取出来的特征有明确物理含义标注压力小得多。第三是硬件约束。很多回收车间没有专门的GPU工作站现场能放一台普通i5工控机就不错了。SVM和轻量级ANN对这类设备非常友好推理时间稳定在几十毫秒级而深度学习模型即便能跑散热、功耗和延迟都会增加部署复杂度。做工程有时候不是选最前沿的方案而是选资源约束下最稳的方案。2.4 整体数据处理流程这套系统的完整链路是光电传感器触发相机拍照采集到的图像先做ROI裁剪和预处理然后提取颜色、纹理、几何特征特征向量进入SVM做类别粗分如果置信度够高再送入该类别对应的ANN等级模型最后根据阈值规则输出最终结论。这个流程从我第一次试验到现在基本没变变的只是特征维度和模型超参数。3. 数据采集与特征工程3.1 数据源选择视觉为主、光谱辅助废弃金属分类和分等级可选的数据源其实不少。视觉数据最容易获取工业相机加固定光源就能搭建信息也直观适合判断大类。光谱数据非常可靠不同金属材质在近红外波段有各自的反射特征但硬件成本高一台手持式光谱仪的价格能顶好几个相机。光谱采样速度也慢一些不太适合连续传送带场景。我最终的方案是视觉为主光谱辅助。也就是说日常运行全靠视觉特征驱动遇到关键仲裁料时操作员用手持光谱仪抽检复核。这样既控制了成本又能给模型结果加一道保险。3.2 图像采集细节采集设备这方面我踩过不少坑。最开始用普通监控摄像头分辨率倒是够了但动态范围和色彩还原跟不上金属表面反光一严重拍出来的颜色和实际差异非常大。后来换成工业相机加上两个固定条形光源效果才稳定下来。采集时要特别注意几点相机曝光时间要固定不要开自动曝光。金属表面高光区很容易过曝一旦过曝颜色特征全废。光源角度要统一。我测试过正面光和侧光最终选的是45度角照射既能减少正面反光又能保留表面纹理细节。加遮光罩。现场环境光不稳定窗帘拉不严、灯泡色温不一致都会影响图像色彩分布。一个简易遮光罩就能解决一大半问题。每块废料最好采集多个角度图像。废料形状不规则只拍一面会漏掉重要表面特征。我后来采用“触发后连续拍三帧取特征最稳定的作为代表”。3.3 特征工程的几个关键点特征工程是这个项目真正的灵魂。我用了三类特征组合颜色特征将图像转到HSV颜色空间统计色调H、饱和度S、亮度V的均值和方差。金属表面的氧化程度、杂色覆盖比例在色调和饱和度上反映非常明显。纹理特征用局部二值模式LBP和灰度共生矩阵GLCM提取表面纹理差异。比如锈蚀铁皮和光亮不锈钢的纹理粗糙度差异就很大。几何特征提取金属块轮廓的面积、周长、长宽比、凸度、最小外接矩形等。虽然废料形状随机但当某类金属常见形态是片状而另一类是块状时几何特征仍有区分价值。这组特征最终压缩到12到20维左右SVM训练非常舒服。别小看这些传统特征在样本量有限、场景受控的项目里它们的稳定性和可解释性比盲目堆深度学习网络要好得多。3.4 特征预处理的必要操作对SVM来说特征必须先标准化。不同特征的量纲差距很大比如面积动辄几千色调均值却只有几十到一百多如果不做标准化SVM的距离计算会被大尺度特征主导。我采用StandardScaler做z-score标准化把所有特征拉到均值0、方差1的分布上。做标准化时有个细节必须只用训练集的均值和方差去转换验证集和测试集不能把验证集数据混进来一起算否则会有信息泄漏评估结果虚高。标准化之后我又做了PCA降维。12到20维特征已经不算高但PCA仍然有意义它可以把相关的颜色特征、纹理特征压缩成几个正交主成分减小冗余加快SVM训练速度。我试过降到8到10维分类精度几乎没有下降训练时间明显减少。3.5 标签体系与标注流程标签是监督学习的根基尤其等级标注更要设计得严谨。我的标签体系是两个字段类别字段紫铜、黄铜、铝合金、碳钢、不锈钢、锌、混合料。等级字段一级、二级、三级。一级对应表面干净、无明显氧化、杂质少二级对应轻度氧化、少量杂质或油污三级对应明显氧化、大面积油污、夹杂较多杂质。为了让标注尽量客观我制定了一份标注规范附了每种等级的参考图片。两位标注员独立标注同一批数据标签不一致的图片直接剔除不参与训练。这看起来麻烦但有效避免了模型学到不一致的边界。4. 模型训练与调参实战4.1 数据划分与交叉验证数据准备好之后第一步是划分训练集、验证集和测试集。我按6比2比2分配并且使用分层采样保证每一类金属在三个集合中的比例大致一致。如果随机乱切某类样本全落在测试集里训练时就没见过这个类准确率自然崩。训练过程中我用5折交叉验证来评估模型稳定性最终以测试集上的结果为准。交叉验证的主要目的是防止“某一折切片运气好导致评估结果失真”的情况尤其是样本量不大的项目里单次切分的偶然性非常大。4.2 SVM模型调参重点SVM部分我直接用RBF径向基核函数这也是小样本非线性分类最常用、最稳妥的选择。RBF核有两个关键超参数C表示对误差的容忍程度。C越大模型越倾向于正确分类所有训练样本容易过拟合C越小边界越平滑可能欠拟合。gamma控制单个样本影响范围。gamma越大决策边界越复杂容易过拟合gamma越小边界越平滑。我用网格搜索在C[0.1, 1, 10, 100]和gamma[scale, 0.01, 0.1]范围内做5折交叉验证最终选到C10、gammascale测试集大类分类准确率91.7%。代码层面非常简洁from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline pipe Pipeline([ (scaler, StandardScaler()), (svc, SVC(kernelrbf, C10, gammascale, probabilityTrue)) ]) pipe.fit(X_train, y_train) print(pipe.score(X_test, y_test))调参的一个技巧不需要一上来就把网格范围铺得很大。先用C1、gammascale跑一版看混淆矩阵里哪几类容易混再针对性地调。紫铜和黄铜如果混说明更可能是特征问题而不是参数问题这时候应该回头补充特征而不是罚参数。4.3 ANN等级模型的结构与训练等级模型我按每个大类单独训练。以紫铜为例输入特征12维输出是3个等级。网络结构非常简单两层全连接神经元数量分别是16和8激活函数用ReLU输出层Softmax中间加了Dropout防止过拟合。from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout model Sequential([ Dense(16, activationrelu, input_dim12), Dropout(0.2), Dense(8, activationrelu), Dense(3, activationsoftmax) ]) model.compile(optimizeradam, losscategorical_crossentropy, metrics[accuracy])训练的时候设置早停monitor验证集损失patience10避免模型在训练集上反复滚导致过拟合。batch size用32初始学习率用Adam默认的0.001。最终紫铜等级判定的测试集准确率87.2%macro F1得分0.86。我把这个结果跟只用颜色特征跑的模型对比了一下准确率掉了5个多点说明几何和纹理特征对等级判断确实有增量贡献。4.4 评估指标不能只看准确率分类和分级都容易出现类别不均衡。比如锌的样本少它在总样本里占比只有不到10%即使模型把所有锌都判成铝合金准确率也只下降几个百分点但业务上这种错误很致命。所以要同时查精确率、召回率和F1对每个类分别看。我用混淆矩阵辅助分析紫铜和不锈钢很容易区分但铝合金和锌之间偶尔会混判断依据主要是光泽度和密度相关特征。这时候除了调模型参数还要考虑在物理层增加传感器辅助比如电涡流传感信号作为额外特征输入。5. 分类与分级体系设计5.1 分类和分级是两个逻辑层次回到最初的需求系统输出的不是单一标签而是一个结构化结果金属大类 等级 置信度。大类由SVM决定等级由对应大类的ANN模型决定。这个设计有一个好处等级模型不需要知道全局有多少个类别只需要关注自己那一个类内部的规律学习负担大大减轻。如果某块料被SVM判成铝合金置信度却只有0.55我宁可让它进人工复检通道而不是强行交给铝合金等级模型去处理。因为一旦大类错了后续分级结果没有任何意义。5.2 规则与模型融合的分级策略纯模型输出在等级边界上往往不稳定。同一块紫铜拍两次可能得出一次一级一次二级虽然差距不大但现场操作员会觉得很困惑。我在模型输出之后加了几条业务规则如果一级概率大于0.7且其他等级概率都低于0.2判一级。如果一级概率介于0.5到0.7同时二级概率大于0.3判二级。如果任意两个等级概率都低于0.3判定为“待复检”。这个策略相当于给模型结果加了一个置信度缓冲区间宁可放弃一部分自动判断也不乱下结论。实际运行下来自动判定率约75%其中绝大多数正确率都很稳定。剩下的25%进入人工抽检成本也可接受。5.3 拒识机制可以救命回收现场最怕的不是已知类别判错而是遇到训练时完全没有见过的料型。比如某天收到一批镀金边角料表面特征和铜类似但跟训练集的任何一类都不完全匹配。模型硬分类的话会把它强行塞进某个最近类里结果可能给出一级的高置信度结论实际卖出时才发现误差巨大。解决办法是在特征空间里做距离判断。我保存了训练集各类别的特征质心当新样本的特征向量距离所有质心都超过阈值时系统输出“未知料”直接送到人工处理。这个拒识机制看起来简单但它避免了系统在未知样本上“胡说八道”是工业现场部署必不可少的模块。6. 系统落地与工程化实践6.1 硬件拓扑与软件流程实验室里能跑通模型只是第一步真正上现场还有一堆事。硬件配置方面我用的是普通工控机加工业相机。相机固定在金属支架上下方是传送带或检测台两侧布置了LED条形光源光电传感器在相机前方不远处当金属块经过时产生硬触发信号相机立刻拍照避免软件轮询丢帧。软件处理流程是这样的光电触发 → 相机拍照 → ROI裁剪 → 图像预处理 → 特征提取 → SVM大类分类 → ANN等级判定 → 规则检查 → 输出结果到PLC结果输出给PLC之后由PLC控制气动阀或者机械臂把不同等级的料推到对应料仓。现场显示屏幕上同时展示图像、类别、等级和置信度方便工人确认。6.2 实时性与性能优化在普通i5工控机、没有GPU的条件下单张图像从采集到输出结果控制在80到120毫秒。这个速度完全满足传送带每秒一两个物件的节拍要求。处理耗时分布大致是图像预处理占大头特征提取次之两个模型推理反而不到20毫秒。这说明瓶颈在视觉前处理不在模型本身。几个优化手段ROI裁剪只处理金属块所在区域不做整幅图像全局处理。图像缩放到200乘200像素以内对特征提取精度影响很小但处理速度提升明显。颜色直方图和LBP特征提取用向量化实现不用逐像素循环。6.3 部署现场遇到的现实问题实验室里模型准确率91.7%真正搬到现场首周平均准确率只有86%左右。这个差距在预期之内但还是要逐个解决。最大干扰是光照。现场灯光会闪、会衰减不同班次环境光差异也大。应对办法是定期校准白平衡并且在训练时有意识地做色彩抖动增强把亮度、饱和度随机调高调低让模型对光照变化更钝感。第二是遮挡和堆叠。传送带上金属件难免互相挤压拍到的图像可能只露半边。我的处理是加逻辑规则如果ROI面积占图像比例过小或者轮廓紧贴图像边缘判定为“不稳定样本”不进入分类流程等下一轮再测。第三是灰尘。相机镜头和光源罩几天不擦就会发蒙图像整体偏灰特征分布整体漂移。定个规矩每班开机前擦镜头每周检查光源照度。7. 常见问题与排查技巧实录7.1 高频问题速查表做这个项目前前后后遇到的坑不少我把最典型的问题整理成表格便于后来者对照自查。问题现象可能原因解决思路少数类别召回率低样本量不均衡模型倾向多数类设置class_weightbalanced或对少数类过采样现场误检率明显高于实验室光照漂移、表面状态变化重做白平衡校准利用现场数据增量训练金属表面高光反光导致判错特征过度依赖亮度信息加偏振光滤光片重点使用色调和纹理特征等级判定在同一块料上波动大等级边界定义太细、光照变化检查标注一致性放宽规则阈值多次采样取均值推理速度突然变慢图像队列堆积、预处理耗时限制ROI大小增加缓存队列上限新料型被强行分到已知类别特征空间距离未检查添加已知类别质心距离阈值超出则拒识7.2 排查思路与长期维护如果系统输出开始异常我的排查顺序很固定先检查图像本身再查特征分布最后查模型输出。很多问题根源都在图像质量上。镜头脏了、光源暗了、曝光参数被意外改动了都会导致后续所有环节失效。先把原始图像打印出来看一遍往往就能定位问题。特征分布检查需要对比历史统计。我会维护一张特征分布表记录正常状态下色调均值、饱和度均值、轮廓面积均值的区间。如果某天这些值出现大范围偏移说明现场条件变了模型输入分布也跟着变了此时需要补充新数据重新训练。还有一个重要经验不要训练完模型就撒手不管。回收现场的料型变化很快上周还是以铜线和铝块为主这周可能来了一批镀锌板。模型的静态性能会在数月内自然衰减。我采取的维护策略是每周收集一批误判案例每个月做一次增量训练把badcase逐步掺入训练集让模型跟上现场变化。8. 从模型到产线一些想复盘的事这个项目做到最后我最大的感触是模型本身只是整条链路里风险最低的一环。真正决定系统成败的是数据采集的标准、等级标注的定义以及现场规则与模型输出的磨合。如果让我重新做一遍我会把更多时间花在设计等级标准和标注规范上。因为模型训练可以靠调试参数不对可以重跑但标注边界模糊的数据无论用什么模型都学不到一个清晰的决策线这是人工磨合的代价换不回模型的稳定性能。还有一点值得提醒别指望部署完成就一劳永逸模型在回收场景里一定是持续迭代的。定期复盘误判样本、维护数据分布、调整个别类别阈值这些琐碎工作才是让整个系统从“能跑”走向“稳跑”的关键。个人体会而言这套基于SVM和ANN的组合方案虽然谈不上新潮但在数据量有限、计算资源受限的工业场景里它确实是一条既可控、落地又快的路径。 
长河君 · 2026/10/19 5:11:33 · 阅读 1.2k 基于SVM与ANN的废弃金属分类分级：机器视觉在回收产线的落地实践
回收场的传送带上紫铜、黄铜、铝合金、不锈钢混在一起顺流而下工人手里拿着磁铁和砂纸一眼扫过去就把大类分开——这套流程在中小型再生资源企业里实在太常见了。可真正麻烦的地方在于人工分拣只能回答“这是什么金属”回答不了“这块料够不够一级品”这种问题。而回收报价里纯度和等级偏偏就是最关键的变量。所以当时我决定做一套试验性系统基于SVM和ANN的废弃金属分类、分等级方案用机器视觉加机器学习在传送带上完成金属的类别识别和品级判断。这里说的分类是把金属分出大类分等级是在同一个大类里继续判出质量等级比如紫铜一级、紫铜二级。这套系统不需要顶级服务器普通工控机就能跑整个思路也适合中小型回收企业自己复制。下面把我从需求到落地踩过的坑、调过的参数、以及最终能跑通的结构完整记录下来。1. 项目背景与需求拆解1.1 回收行业真正卡在哪很多没进过回收车间的人以为废旧金属分拣就是“看看颜色、吸吸磁铁”。实际上去到现场之后就明白这活儿远比想象中复杂。先说效率。熟练分拣工一天处理两吨左右确实能做但前提是料型相对规整而且不能长时间保持高准确率。连续干四五个小时之后眼睛疲劳、注意力下降铜和铁当然不会看错但铝合金里不同系列的牌号、黄铜和青铜这类相似料型就很容易混。普通回收厂往往没有太多质检岗位一个工人要同时负责几个环节漏检率就上去了。再说等级。绝大多数回收厂对废料的等级判断靠的是老师傅经验比如“光亮铜一级”“铜米二级”“紫铜三级”。这些经验有体系但不稳定一个师傅一个判断标准。卖料的时候如果等级定低了高值料被当成低值料卖掉一年下来损失不小定高了买方检测不通过又会产生纠纷。用机器来做分类和分级本质上是把老师傅的经验固化成一套可重复、可校准的判断流程。这也是我最初做这个项目的核心动机不是要取代人工而是让分拣结果更有稳定性和说服力。1.2 需求定义从单模型分类到两阶段分级一开始我把问题想简单了以为训练一个分类模型能识别出“铜、铝、铁、不锈钢、锌”就完工了。后来跟做回收贸易的朋友聊过之后才意识到工业现场的完整需求其实包含两层第一层是类别判定这块料到底是什么金属属于哪个大类。第二层是等级判定在同类金属里这块料能定几级。这两个问题性质不一样。大类之间特征差异大颜色、密度、纹理都很明显等级之间的差异却细微得多往往只是氧化程度、杂质多少、表面油污覆盖比例的区别。如果用同一个模型硬扛两个任务模型会被“大类特征”主导等级上的细节特征反而学不到。所以最终系统被设计成两阶段先用SVM跑大类分类再对属于同一大类的样本用ANN做等级判断。1.3 优先落地的应用场景我梳理过三个潜在场景。第一个是破碎线前端的预分拣。料还没破碎块头大速度快主要需求是快速分大类对等级判断不必太精细。第二个是质检台上的精细检测。料已经被挑出来放到固定工位相机和光源条件可控这时候可以做高精度的等级判定。第三个是拆解流水线上的部件级识别比如识别电机里的漆包线、铜绕组、铝壳这需要细颗粒度的模型和更复杂的训练集。我最终选择第二个场景作为切入点原因是它最能体现“分类分级”的完整价值而且环境可控、数据好采集、模型好部署。先把这套流程跑通再往传送带上搬难度阶梯合理。2. 技术选型SVM和ANN各自的定位2.1 两种算法的直觉理解SVM全称支持向量机核心思路是找一个超平面把不同类别的样本分开并且让分隔边界离两边样本的距离最大化。它很擅长处理中小规模的样本数据尤其是特征维度几十维以内的情况。只要特征有区分度SVM给出的结果非常稳。ANN全称人工神经网络本质是一个多层非线性函数拟合器。给它足够多带标签的样本它能自己找到输入特征和输出类别之间的复杂映射关系。ANN的优势是上限高表达能力远超传统机器学习模型缺点是需要数据多、调参也费些功夫。如果做个通俗类比SVM像那种要求极其严格的质检员他的原则很明确就是要让不同类别之间的“安全距离”尽可能大逻辑简单可解释。ANN更像一个见多识广的老师傅看了成千上万个料之后建立起一种直觉你说不清具体规则但他判得就是准。2.2 为什么组合而不是二选一有人会问既然ANN这么强为什么不全部用ANN或者既然SVM省事为什么不全部用SVM我当时的判断依据是任务性质。大类分类的特征是离散性明显的紫铜和黄铜的颜色分布差异很大铝合金和碳钢的纹理、反光差异也很大。这种情况SVM非常擅长且样本量不用太大几百张也能训练出不错的效果。SVM还有一个优点分类决策边界相对简单模型不容易在小数据集上过拟合。等级判断就不同了。同一种金属的二级和三级可能在颜色直方图上只有几个百分点的差异可能同时涉及颜色、纹理、几何形状、表面覆盖率多个维度的连续特征。这些特征的联合作用用ANN来拟合更自然网络可以学到“颜色上偏暗一点点但同时表面氧化斑占比较多倾向于降级”这类复杂逻辑。所以我采用了组合流程第一阶段SVM做粗分类输出7个大类。第二阶段对每个大类单独训练一个ANN等级模型输出一级、二级、三级以及置信度。2.3 为什么没直接上深度学习卷积网络这是我在实际交流中回答最多的问题。现在提到图像分类很多人第一反应就是上CNN或者更重的网络。但在这个项目里我刻意避开了。原因有三点。第一是数据规模。回收现场的废料样本不像公开数据集一样容易获取。每种金属几百张图已经很不容易了还要覆盖不同污染程度、不同照明条件、不同磨损状态。这点样本量塞给CNN很容易过拟合训出来的精度反而没有手工特征加SVM稳定。第二是标注成本。深度学习端到端方案意味着要框出金属区域、标注类别、标注等级数据清洗和标注工作量非常大。而手工特征方案只需要保证图像质量稳定提取出来的特征有明确物理含义标注压力小得多。第三是硬件约束。很多回收车间没有专门的GPU工作站现场能放一台普通i5工控机就不错了。SVM和轻量级ANN对这类设备非常友好推理时间稳定在几十毫秒级而深度学习模型即便能跑散热、功耗和延迟都会增加部署复杂度。做工程有时候不是选最前沿的方案而是选资源约束下最稳的方案。2.4 整体数据处理流程这套系统的完整链路是光电传感器触发相机拍照采集到的图像先做ROI裁剪和预处理然后提取颜色、纹理、几何特征特征向量进入SVM做类别粗分如果置信度够高再送入该类别对应的ANN等级模型最后根据阈值规则输出最终结论。这个流程从我第一次试验到现在基本没变变的只是特征维度和模型超参数。3. 数据采集与特征工程3.1 数据源选择视觉为主、光谱辅助废弃金属分类和分等级可选的数据源其实不少。视觉数据最容易获取工业相机加固定光源就能搭建信息也直观适合判断大类。光谱数据非常可靠不同金属材质在近红外波段有各自的反射特征但硬件成本高一台手持式光谱仪的价格能顶好几个相机。光谱采样速度也慢一些不太适合连续传送带场景。我最终的方案是视觉为主光谱辅助。也就是说日常运行全靠视觉特征驱动遇到关键仲裁料时操作员用手持光谱仪抽检复核。这样既控制了成本又能给模型结果加一道保险。3.2 图像采集细节采集设备这方面我踩过不少坑。最开始用普通监控摄像头分辨率倒是够了但动态范围和色彩还原跟不上金属表面反光一严重拍出来的颜色和实际差异非常大。后来换成工业相机加上两个固定条形光源效果才稳定下来。采集时要特别注意几点相机曝光时间要固定不要开自动曝光。金属表面高光区很容易过曝一旦过曝颜色特征全废。光源角度要统一。我测试过正面光和侧光最终选的是45度角照射既能减少正面反光又能保留表面纹理细节。加遮光罩。现场环境光不稳定窗帘拉不严、灯泡色温不一致都会影响图像色彩分布。一个简易遮光罩就能解决一大半问题。每块废料最好采集多个角度图像。废料形状不规则只拍一面会漏掉重要表面特征。我后来采用“触发后连续拍三帧取特征最稳定的作为代表”。3.3 特征工程的几个关键点特征工程是这个项目真正的灵魂。我用了三类特征组合颜色特征将图像转到HSV颜色空间统计色调H、饱和度S、亮度V的均值和方差。金属表面的氧化程度、杂色覆盖比例在色调和饱和度上反映非常明显。纹理特征用局部二值模式LBP和灰度共生矩阵GLCM提取表面纹理差异。比如锈蚀铁皮和光亮不锈钢的纹理粗糙度差异就很大。几何特征提取金属块轮廓的面积、周长、长宽比、凸度、最小外接矩形等。虽然废料形状随机但当某类金属常见形态是片状而另一类是块状时几何特征仍有区分价值。这组特征最终压缩到12到20维左右SVM训练非常舒服。别小看这些传统特征在样本量有限、场景受控的项目里它们的稳定性和可解释性比盲目堆深度学习网络要好得多。3.4 特征预处理的必要操作对SVM来说特征必须先标准化。不同特征的量纲差距很大比如面积动辄几千色调均值却只有几十到一百多如果不做标准化SVM的距离计算会被大尺度特征主导。我采用StandardScaler做z-score标准化把所有特征拉到均值0、方差1的分布上。做标准化时有个细节必须只用训练集的均值和方差去转换验证集和测试集不能把验证集数据混进来一起算否则会有信息泄漏评估结果虚高。标准化之后我又做了PCA降维。12到20维特征已经不算高但PCA仍然有意义它可以把相关的颜色特征、纹理特征压缩成几个正交主成分减小冗余加快SVM训练速度。我试过降到8到10维分类精度几乎没有下降训练时间明显减少。3.5 标签体系与标注流程标签是监督学习的根基尤其等级标注更要设计得严谨。我的标签体系是两个字段类别字段紫铜、黄铜、铝合金、碳钢、不锈钢、锌、混合料。等级字段一级、二级、三级。一级对应表面干净、无明显氧化、杂质少二级对应轻度氧化、少量杂质或油污三级对应明显氧化、大面积油污、夹杂较多杂质。为了让标注尽量客观我制定了一份标注规范附了每种等级的参考图片。两位标注员独立标注同一批数据标签不一致的图片直接剔除不参与训练。这看起来麻烦但有效避免了模型学到不一致的边界。4. 模型训练与调参实战4.1 数据划分与交叉验证数据准备好之后第一步是划分训练集、验证集和测试集。我按6比2比2分配并且使用分层采样保证每一类金属在三个集合中的比例大致一致。如果随机乱切某类样本全落在测试集里训练时就没见过这个类准确率自然崩。训练过程中我用5折交叉验证来评估模型稳定性最终以测试集上的结果为准。交叉验证的主要目的是防止“某一折切片运气好导致评估结果失真”的情况尤其是样本量不大的项目里单次切分的偶然性非常大。4.2 SVM模型调参重点SVM部分我直接用RBF径向基核函数这也是小样本非线性分类最常用、最稳妥的选择。RBF核有两个关键超参数C表示对误差的容忍程度。C越大模型越倾向于正确分类所有训练样本容易过拟合C越小边界越平滑可能欠拟合。gamma控制单个样本影响范围。gamma越大决策边界越复杂容易过拟合gamma越小边界越平滑。我用网格搜索在C[0.1, 1, 10, 100]和gamma[scale, 0.01, 0.1]范围内做5折交叉验证最终选到C10、gammascale测试集大类分类准确率91.7%。代码层面非常简洁from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline pipe Pipeline([ (scaler, StandardScaler()), (svc, SVC(kernelrbf, C10, gammascale, probabilityTrue)) ]) pipe.fit(X_train, y_train) print(pipe.score(X_test, y_test))调参的一个技巧不需要一上来就把网格范围铺得很大。先用C1、gammascale跑一版看混淆矩阵里哪几类容易混再针对性地调。紫铜和黄铜如果混说明更可能是特征问题而不是参数问题这时候应该回头补充特征而不是罚参数。4.3 ANN等级模型的结构与训练等级模型我按每个大类单独训练。以紫铜为例输入特征12维输出是3个等级。网络结构非常简单两层全连接神经元数量分别是16和8激活函数用ReLU输出层Softmax中间加了Dropout防止过拟合。from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout model Sequential([ Dense(16, activationrelu, input_dim12), Dropout(0.2), Dense(8, activationrelu), Dense(3, activationsoftmax) ]) model.compile(optimizeradam, losscategorical_crossentropy, metrics[accuracy])训练的时候设置早停monitor验证集损失patience10避免模型在训练集上反复滚导致过拟合。batch size用32初始学习率用Adam默认的0.001。最终紫铜等级判定的测试集准确率87.2%macro F1得分0.86。我把这个结果跟只用颜色特征跑的模型对比了一下准确率掉了5个多点说明几何和纹理特征对等级判断确实有增量贡献。4.4 评估指标不能只看准确率分类和分级都容易出现类别不均衡。比如锌的样本少它在总样本里占比只有不到10%即使模型把所有锌都判成铝合金准确率也只下降几个百分点但业务上这种错误很致命。所以要同时查精确率、召回率和F1对每个类分别看。我用混淆矩阵辅助分析紫铜和不锈钢很容易区分但铝合金和锌之间偶尔会混判断依据主要是光泽度和密度相关特征。这时候除了调模型参数还要考虑在物理层增加传感器辅助比如电涡流传感信号作为额外特征输入。5. 分类与分级体系设计5.1 分类和分级是两个逻辑层次回到最初的需求系统输出的不是单一标签而是一个结构化结果金属大类 等级 置信度。大类由SVM决定等级由对应大类的ANN模型决定。这个设计有一个好处等级模型不需要知道全局有多少个类别只需要关注自己那一个类内部的规律学习负担大大减轻。如果某块料被SVM判成铝合金置信度却只有0.55我宁可让它进人工复检通道而不是强行交给铝合金等级模型去处理。因为一旦大类错了后续分级结果没有任何意义。5.2 规则与模型融合的分级策略纯模型输出在等级边界上往往不稳定。同一块紫铜拍两次可能得出一次一级一次二级虽然差距不大但现场操作员会觉得很困惑。我在模型输出之后加了几条业务规则如果一级概率大于0.7且其他等级概率都低于0.2判一级。如果一级概率介于0.5到0.7同时二级概率大于0.3判二级。如果任意两个等级概率都低于0.3判定为“待复检”。这个策略相当于给模型结果加了一个置信度缓冲区间宁可放弃一部分自动判断也不乱下结论。实际运行下来自动判定率约75%其中绝大多数正确率都很稳定。剩下的25%进入人工抽检成本也可接受。5.3 拒识机制可以救命回收现场最怕的不是已知类别判错而是遇到训练时完全没有见过的料型。比如某天收到一批镀金边角料表面特征和铜类似但跟训练集的任何一类都不完全匹配。模型硬分类的话会把它强行塞进某个最近类里结果可能给出一级的高置信度结论实际卖出时才发现误差巨大。解决办法是在特征空间里做距离判断。我保存了训练集各类别的特征质心当新样本的特征向量距离所有质心都超过阈值时系统输出“未知料”直接送到人工处理。这个拒识机制看起来简单但它避免了系统在未知样本上“胡说八道”是工业现场部署必不可少的模块。6. 系统落地与工程化实践6.1 硬件拓扑与软件流程实验室里能跑通模型只是第一步真正上现场还有一堆事。硬件配置方面我用的是普通工控机加工业相机。相机固定在金属支架上下方是传送带或检测台两侧布置了LED条形光源光电传感器在相机前方不远处当金属块经过时产生硬触发信号相机立刻拍照避免软件轮询丢帧。软件处理流程是这样的光电触发 → 相机拍照 → ROI裁剪 → 图像预处理 → 特征提取 → SVM大类分类 → ANN等级判定 → 规则检查 → 输出结果到PLC结果输出给PLC之后由PLC控制气动阀或者机械臂把不同等级的料推到对应料仓。现场显示屏幕上同时展示图像、类别、等级和置信度方便工人确认。6.2 实时性与性能优化在普通i5工控机、没有GPU的条件下单张图像从采集到输出结果控制在80到120毫秒。这个速度完全满足传送带每秒一两个物件的节拍要求。处理耗时分布大致是图像预处理占大头特征提取次之两个模型推理反而不到20毫秒。这说明瓶颈在视觉前处理不在模型本身。几个优化手段ROI裁剪只处理金属块所在区域不做整幅图像全局处理。图像缩放到200乘200像素以内对特征提取精度影响很小但处理速度提升明显。颜色直方图和LBP特征提取用向量化实现不用逐像素循环。6.3 部署现场遇到的现实问题实验室里模型准确率91.7%真正搬到现场首周平均准确率只有86%左右。这个差距在预期之内但还是要逐个解决。最大干扰是光照。现场灯光会闪、会衰减不同班次环境光差异也大。应对办法是定期校准白平衡并且在训练时有意识地做色彩抖动增强把亮度、饱和度随机调高调低让模型对光照变化更钝感。第二是遮挡和堆叠。传送带上金属件难免互相挤压拍到的图像可能只露半边。我的处理是加逻辑规则如果ROI面积占图像比例过小或者轮廓紧贴图像边缘判定为“不稳定样本”不进入分类流程等下一轮再测。第三是灰尘。相机镜头和光源罩几天不擦就会发蒙图像整体偏灰特征分布整体漂移。定个规矩每班开机前擦镜头每周检查光源照度。7. 常见问题与排查技巧实录7.1 高频问题速查表做这个项目前前后后遇到的坑不少我把最典型的问题整理成表格便于后来者对照自查。问题现象可能原因解决思路少数类别召回率低样本量不均衡模型倾向多数类设置class_weightbalanced或对少数类过采样现场误检率明显高于实验室光照漂移、表面状态变化重做白平衡校准利用现场数据增量训练金属表面高光反光导致判错特征过度依赖亮度信息加偏振光滤光片重点使用色调和纹理特征等级判定在同一块料上波动大等级边界定义太细、光照变化检查标注一致性放宽规则阈值多次采样取均值推理速度突然变慢图像队列堆积、预处理耗时限制ROI大小增加缓存队列上限新料型被强行分到已知类别特征空间距离未检查添加已知类别质心距离阈值超出则拒识7.2 排查思路与长期维护如果系统输出开始异常我的排查顺序很固定先检查图像本身再查特征分布最后查模型输出。很多问题根源都在图像质量上。镜头脏了、光源暗了、曝光参数被意外改动了都会导致后续所有环节失效。先把原始图像打印出来看一遍往往就能定位问题。特征分布检查需要对比历史统计。我会维护一张特征分布表记录正常状态下色调均值、饱和度均值、轮廓面积均值的区间。如果某天这些值出现大范围偏移说明现场条件变了模型输入分布也跟着变了此时需要补充新数据重新训练。还有一个重要经验不要训练完模型就撒手不管。回收现场的料型变化很快上周还是以铜线和铝块为主这周可能来了一批镀锌板。模型的静态性能会在数月内自然衰减。我采取的维护策略是每周收集一批误判案例每个月做一次增量训练把badcase逐步掺入训练集让模型跟上现场变化。8. 从模型到产线一些想复盘的事这个项目做到最后我最大的感触是模型本身只是整条链路里风险最低的一环。真正决定系统成败的是数据采集的标准、等级标注的定义以及现场规则与模型输出的磨合。如果让我重新做一遍我会把更多时间花在设计等级标准和标注规范上。因为模型训练可以靠调试参数不对可以重跑但标注边界模糊的数据无论用什么模型都学不到一个清晰的决策线这是人工磨合的代价换不回模型的稳定性能。还有一点值得提醒别指望部署完成就一劳永逸模型在回收场景里一定是持续迭代的。定期复盘误判样本、维护数据分布、调整个别类别阈值这些琐碎工作才是让整个系统从“能跑”走向“稳跑”的关键。个人体会而言这套基于SVM和ANN的组合方案虽然谈不上新潮但在数据量有限、计算资源受限的工业场景里它确实是一条既可控、落地又快的路径。