企业官网建设流程全解析

简介：本资源是面向农业AI与计算机视觉初学者及科研人员的大豆种子缺陷图像分类数据集，聚焦于农作物品质智能检测场景，解决种子外观缺陷识别这一典型工业质检问题。数据集共2000个文件，含1998张BMP格式原始图像（覆盖破碎、完整、斑点等5类专业标注）、1个JSON标签映射文件（明确类别定义与分布）及1个Python可视化脚本（支持快速查看训练/测试集样本分布）。压缩包大小为500.19MB，采用7z格式打包，目录按train/test分层组织同类图像，结构清晰便于直接接入PyTorch/TensorFlow流程。已有110人学习下载，配套show脚本可一键可视化各类别样本，结合作者提供的图像分类网络改进方案与完整CV项目实践链接，用户可快速开展模型训练、性能对比与落地验证，显著降低农业视觉项目的数据准备与 baseline 构建门槛。 有阵子我在做农业方向的质检项目，接触了非常多农产品外观分类的活儿，其中大豆种子缺陷分类算是比较典型的一个方向。种子筛选是粮食加工和育种里绕不开的一步，霉变粒、破损粒、虫蚀粒都得在入库或播种前挑出去，过去基本靠老师傅肉眼挑，效率低，标准也不统一。所以当时我就琢磨着搞一套完整的数据集制作流程，从采集、清洗、标注到训练分类模型，把这类问题彻底捋一遍。这篇文章就围绕这套“大豆种子缺陷图像分类数据集”来写，约5500张已标注图像，覆盖健康、破损、霉变、虫蚀、皱缩等常见状态，适合做图像分类、模型评估、算法对比和质检预研。无论你是刚入门图像分类，想找一份真实业务数据集练手，还是已经在做农业视觉落地，都可以当个参考模板来看。

1. 项目背景与需求拆解

1.1 种子质检的痛点：为什么算法要掺和进来

先说说实际场景。在种子加工厂、粮库或者育种机构里，大豆种子质量问题基本靠“抽检”和“人工分拣”两条路。抽检是拿一小部分样本出来，由质检员用肉眼一颗一颗看，按照国标或者企业标准把不完善粒、杂质、异色粒挑出去算比例；人工分拣则是把大豆铺在传送带上，工人手工把坏粒捡出来。这两条路都有问题：人工分拣速度慢，干久了眼睛疲劳，漏检率上升；抽检呢，样本量小，统计意义有限，而且不同质检员对“霉变到什么程度算霉变”这种标准理解不一样，容易扯皮。

后来很多厂家开始上机器视觉设备，工业相机固定在传送带上方，一拍，图像传给算法，算法实时给每个种子打标签，然后后端气流喷嘴把坏粒吹走。整套系统最核心的其实就是那个图像分类算法。而算法能不能靠谱，真不是模型结构多先进决定的，反而是训练数据占了大头。所以我做这个项目的第一件事，不是急着调模型，是老老实实把一套带标注的数据集立起来。

1.2 为什么选图像分类而不是目标检测

这里有个技术选型要先解释清楚。很多人一听到“机器视觉质检”，第一反应是上YOLO做目标检测，把缺陷框出来。但种子筛选这个场景比较特殊，种子在传送带上基本是单粒排列，或者落在一个固定托盘里，不会有大面积重叠，核心问题不是“在哪里”，而是“这个是不是坏的、是哪一种坏法”。目标检测需要额外的框标注，工作量和标注复杂度都上去了，对种粒密排场景的边界框还容易产生抖动，实际收益并不高。

所以这套数据集定位为图像分类。每张图像的主体就是单粒大豆，模型只需要输出一个类别。后面如果你要升级到“缺陷定位”，也可以在这个基础上把原图大图保存好，重新做矩形标注，但那是另一个量级的活儿了。先跑通分类，解决“有没有问题、是什么问题”的判定，是性价比最高的切入点。

1.3 这个数据集给谁用的

我整理这套数据，心里大概想了三类人会用到：

• 做农业AI落地的工程师，拿来验证分类算法在真实农业样本上的表现；
• 做学术研究的同学，作为一个小规模、带粒级缺陷标签的公开数据集来对比不同模型；
• 刚入门图像分类的开发者，用它练手，完整走一遍“数据清洗—训练—评估—部署”流程。

这5500张图像看似不多，但做图像分类入门和中型实验是够的。关键是它带标注，省去你自己准备数据和清洗数据的时间，可以直接进入模型训练环节。而且大豆这种样本表面纹理丰富，类间差异细小，用来做模型对比会比MNIST、CIFAR这种通用数据集更有区分度，也更贴近项目实战。

2. 数据采集与类别体系设计

2.1 样本来源与场景还原

数据集里的样本来自多个渠道。我特意从不同产区、不同收获批次收了一批大豆，品种也尽量拉开差异。为什么要刻意这么做？因为不同品种的大豆，种皮颜色、纹理、大小、光泽度都会有差异。如果你只用一批种子做数据集，训练出来的模型到了另一批品种上很可能直接“翻车”，泛化能力会很差。这一点是实际项目里最容易踩的坑。

样本来源覆盖了正常商品大豆、低等级入厂大豆、人工掺入的虫蛀粒和霉变粒、筛选下脚料等。人工掺入是为了冷门类别能有足够的样本量。比如霉变粒，天然样本里比例不高，如果光靠自然采集，可能攒几个月才几百张，那我就会去粮库里找已经开始发热变质的大豆，或者自己用高水分大豆在恒温箱里做轻度霉变，采集早期霉变特征。

2.2 拍摄环境与单粒裁剪

采集阶段我用的是工业面阵相机，500万像素，配了一个封闭的拍摄箱，内置LED面光源，色温控制在5500K左右。为什么要封闭箱？因为自然光变化太大，早上和下午拍出来的种子颜色偏差明显，模型容易被光照“带偏”。背景用亚光黑色绒布，避免反光干扰种子轮廓。种子单粒摆放在固定位置，相机固定在正上方垂直拍摄，保证拍摄角度一致。

一开始我试着直接拍多粒大豆的大图，比如一个五厘米乘五厘米的托盘放十粒豆子，拍完再切成单粒。这么做的好处是采集效率高，但坏处也明显：切出来的单粒图边缘可能不圆整，而且豆粒之间的距离不固定，裁剪框大小不好统一。后来我改成了一粒一拍的思路，虽然慢一点，但每张图都是“种子占画面中央、边界干净”的规整输入，分类模型训练起来省心很多。

如果你没有工业相机，用手机固定在三脚架上、配上补光灯也能采集，关键是保证放大倍率统一、光照稳定、背景一致。图像分辨率不要低于300×300，因为缺陷细节比较多，太低了看不清霉斑纹理。

2.3 缺陷类别的划分逻辑

类别体系是我在设计数据时最纠结的部分。分太粗，实际筛选没法用；分太细，标注成本剧增且标注一致性难以保证。最后我定了五类核心缺陷加一个“其他”：

• 完整健康粒：种皮完整，无裂缝、无变色、无虫孔；
• 破损/破裂粒：种皮或子叶有裂缝、崩口、断裂，甚至只剩半粒；
• 霉变粒：表面有霉斑、霉菌孢子，或者整体颜色发暗、变黑，带异味特征的优先判霉变；
• 虫蚀粒：表面有明显虫蛀孔洞，或者内部被虫啃食导致种子凹陷、缩小；
• 皱缩/干瘪粒：形态不饱满，种皮发皱，多见于未成熟粒或存储失水粒；
• 其他/杂物：石子、土块、豆荚碎片、带完整荚壳的种子、明显异物等。

这个类别划分遵循了一个原则：可操作，可判定。每个类别都有相对明确的视觉特征，不依赖“这个到底算不算坏”的主观判断。破损看结构，霉变看颜色和霉粉，虫蚀看孔洞，皱缩看形态。先这样定死标准，后面标注的时候就不容易飘。

2.4 类别分布与数量控制

文章标题里说约5500张，我实际是5487张有效图像。各类别数量如下：

类别的分布我刻意控制得比较均衡。为什么？因为真实产线上健康粒占比可能超过80%，如果按真实分布来做数据集，模型会严重偏向健康粒，缺陷类别的召回率会特别难看。但缺陷召回率恰恰是质检最关心的指标，漏掉一颗霉变粒比误杀一颗好豆子严重得多。所以我做成了相对均衡的分布，让模型有充足机会学习每一类缺陷的特征。真要在产线上线，还需要再叠加真实分布的测试集来调阈值。

3. 标注流程与质量控制

3.1 分类标注的两种做法

分类数据集的标注不像目标检测那样要画框，核心是给每张图贴上正确的类别标签。实操中有两种做法。

第一种是文件目录即标签。采集完单粒图之后，我建了六个文件夹，分别对应六个类别，然后把图像文件手动复制到对应文件夹里。这是最朴素的做法，好处是零工具门槛，文件夹名就是标签，后面用PyTorch的ImageFolder直接就能读。坏处是早期如果分错了，后期整理要逐个文件移动，效率低。

第二种是用标注工具打标签。我最后用的Label Studio，直接把图片导入，在界面上逐张选类别，导出成CSV或JSON格式。这样标注记录是集中的，改起来方便，而且可以多人协作，每个人标注完能看到标注进度。导出时类别名和图片文件名一一对应，后续转换也容易。如果只是自己一个人标注，文件夹方法完全够用；要是有两三个人协作标注，建议直接上工具。

3.2 标注手册：怎么把“标准”讲清楚

标注这件事，最怕的不是慢，是标准漂移。标注员上午的标法和下午的标法可能都不一样，不同人之间更不用说。所以我在开工之前写了一份一页纸的标注手册，里面每个类别配了两到三张典型参考图和一张边界案例图。

比如霉变粒，我明确写了“出现灰绿色、白色或黑色霉层，或种皮明显发暗发黑，或表面有粉状物”，而破损粒则强调“种皮裂口、子叶外露、粒子开裂或断裂”。边界案例比如“既有裂口又局部发黑”的情况，我规定优先判为霉变粒，因为产线上霉变带来的风险更值得关注。这个优先级规则很关键，否则一张图两个人可能给两个标签，最后训练出来的模型类间边界就是模模糊糊的。

3.3 交叉复核：我一个人怎么保证质量

我这次是两个人一起标注，其中一人为核心质检员。流程是：A标注完第一批，B按30%比例抽检；抽检不一致的样本全部拉出来重新讨论，确定一个最终标准；然后把讨论结果补进标注手册，剩下的数据按新标准继续标。第一轮标注完成后，我再从头到尾把所有5487张图快速过了一遍，只做二分类判断：“这个标签是不是明显离谱”。明显离谱的挑出来修正。

这一轮复核大概花了大半天时间，但效果很明显。错标的图集中在霉变粒和皱缩粒、虫蚀粒和破损粒这两组容易混淆的对里，说明一开始的标注手册边界还不够细。通过讨论和复核，我把分类标准又收紧了一版。

另外建议有条件的话做一个简单的一致性统计。比如抽100张图让两个标注员各自标，计算Kappa系数，如果在0.8以上说明标注标准比较统一，低于这个值就要重新讨论标准。我用了一次，Kappa在0.83左右，大体合格，但仍有提升空间。

3.4 数据清洗与易混类处理

标注完成不代表数据就干净了。清洗阶段我还做了几件事：用感知哈希算法查重，把同一颗种子重复拍摄或裁剪的近似图去重，防止训练集和测试集之间出现“近亲”，导致评估结果虚高；删掉模糊、失焦、对焦错误的图像；把拍摄时手部入画、反光过强、背景有杂物的图也一起淘汰。

易混类的处理是精细化操作。我保留了所有争议样本，没有一刀切删掉，而是逐张讨论了最终归属。争议样本数量并不少，大概有200多张，在模型训练里这些图往往就是分类边界所在，删掉反而会让模型在真实场景里面对边界样本时更迷惑。把它们修正好放进数据集，相当于让模型多学了一轮“疑难病例”。

4. 数据预处理与增强策略

4.1 尺寸统一与归一化

单粒大豆图像原始分辨率我控制在高约400像素、宽约400像素左右。送入模型之前，我统一Resize到224×224，这也正好是ResNet、MobileNet、EfficientNet这些常见分类网络的默认输入尺寸。如果后面你换用ViT，可以考虑把输入调到384×384，但数据量只有5000多张的时候，224×224是性价比更高的选择，训练速度快，显存占用小，迁移学习也能直接用ImageNet预训练权重。

归一化用的是ImageNet数据集的均值和标准差：mean为[0.485, 0.456, 0.406]，std为[0.229, 0.224, 0.225]。绝大多数预训练模型发布时都是按这个数值做归一化的，所以做迁移学习时直接用这套参数即可。如果你是从零训练，用数据集的全局均值和标准差也行，我试过两种，差距不大。

4.2 数据增强：该用哪些不该用哪些

数据增强是5500张这种中等偏小规模数据集能不能扛住训练的关键。我用的增强策略如下：

• 随机水平翻转和随机垂直翻转：大豆形状近似椭圆，翻转不会改变类别属性，安全；
• 随机旋转±20度：模拟种子在传送带上的任意朝向；
• 随机亮度、对比度、饱和度调整，强度在±20%左右：模拟不同光照条件；
• RandomResizedCrop：中心裁剪外围10%-20%，模拟距离变化和背景干扰；
• 最后再Resize回224×224。

有几个增强我故意没用。Cutout随机遮挡我没放，因为大豆本身就是一个小目标，再遮掉一部分会让模型丢失关键纹理信息；MixUp和CutMix我也先没上，它们虽然能提点，但对类别边界和可解释性都有影响，更适合在baseline跑通之后作为“锦上添花”去对比实验。增强的强度也要控制，太猛会把种子本身特征都破坏掉，我在调参时发现亮度增强调到50%以上时，模型训练损失下降明显变慢，说明增强过头了。

4.3 数据集划分：训练/验证/测试怎么分最靠谱

划分我用了分层采样，按7:2:1分成了训练集、验证集、测试集。分层的意思是每个类别在三个集合里的占比都保持一致，比如霉变粒940张，训练658张，验证188张，测试94张。直接用随机划分的话，可能出现某个类别在测试集里只有30张，评估结果噪声很大。

划分时还有一个细节：不同拍摄批次要尽量分开。比如第一批拍的健康粒都进了训练集，第二批拍的健康粒都进了测试集，这就能测出模型对拍摄批次差异的鲁棒性。我这次因为拍摄环境统一，批次差异不算大，但为了严谨还是按批次打散了。如果你的数据采集时间跨度大，建议分批次切分并优先保证测试集覆盖到所有批次。

5. 模型选型与训练实验

5.1 从零训练还是迁移学习

5500张图像这个规模，从零训练一个ResNet18是能跑起来的，我试过，效果也能到接近90%的准确率，但损失下降比预训练模型慢得多，而且最后收敛精度明显不如迁移学习。原因很简单：大豆种子表面纹理和缺陷特征，比如霉斑的颜色、虫孔的边缘形状，这些基础视觉特征在ImageNet这种亿级数据集的预训练模型里已经学到了一部分，迁移学习相当于把“看懂纹理”的基础能力直接搬过来，只需要微调高层特征来适配大豆场景。

所以我的推荐是：优先用ImageNet预训练权重做迁移学习。除非你要部署的环境对模型结构有限制，必须用一种ImageNet上没有的模型结构，才考虑从零训练。用PyTorch读取预训练权重就是一行代码的事，效果提升却是实打实的。

5.2 模型对比与选型方向

我选了四个比较有代表性的模型做了对比：ResNet18、ResNet50、MobileNetV3-Large、EfficientNet-B0。选它们的原因很简单，ResNet是经典中的经典，训练稳定，可解释性最好；MobileNet适合后续部署到嵌入式设备；EfficientNet是NAS搜出来的结构，理论上是效率和精度的平衡点。

实验下来，ResNet50的精度最高，测试集准确率能到96.2%，但推理速度比ResNet18慢了接近一倍。MobileNetV3的精度在94.1%左右，但模型体积小、推理快，如果产线用Jetson这类边缘设备部署，我会选它。EfficientNet-B0的精度略低于ResNet50，但收敛速度更快。最终要看你的场景：离线质检不差那几百毫秒，选ResNet50；实时在线分拣，选MobileNetV3或EfficientNet-B0。

5.3 训练参数与完整代码

这里给出我最终使用的训练配置，直接可复现：

• 优化器：SGD，momentum=0.9，weight_decay=1e-4；
• 学习率：初始0.001，CosineAnnealingLR衰减到1e-5；
• Batch Size：64；
• Epochs：60；
• 损失函数：CrossEntropyLoss；
• 类别权重：因为各类别样本数接近均衡，没有特别加权重，但如果你自己改造成不均衡数据，建议用 class_weight 调一下；
• 随机种子：42，保证可重复。

核心训练代码（PyTorch）：

import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision import datasets, transforms, models from torch.optim import lr_scheduler # 数据增强 train_transforms = transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomVerticalFlip(p=0.5), transforms.RandomRotation(20), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_transforms = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 用ImageFolder读取,目录结构为 train/类别名/*.jpg train_dataset = datasets.ImageFolder("data/train", transform=train_transforms) val_dataset = datasets.ImageFolder("data/val", transform=val_transforms) train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True, num_workers=4, pin_memory=True) val_loader = DataLoader(val_dataset, batch_size=64, shuffle=False, num_workers=4, pin_memory=True) # 加载预训练权重 model = models.resnet50(weights=models.ResNet50_Weights.IMAGENET1K_V2) model.fc = nn.Linear(model.fc.in_features, 6) model = model.cuda() criterion = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9, weight_decay=1e-4) scheduler = lr_scheduler.CosineAnnealingLR(optimizer, T_max=60) best_acc = 0.0 for epoch in range(60): model.train() running_loss = 0.0 for inputs, labels in train_loader: inputs, labels = inputs.cuda(), labels.cuda() optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() * inputs.size(0) model.eval() val_correct = 0 val_total = 0 with torch.no_grad(): for inputs, labels in val_loader: inputs, labels = inputs.cuda(), labels.cuda() outputs = model(inputs) _, preds = torch.max(outputs, 1) val_correct += (preds == labels).sum().item() val_total += labels.size(0) val_acc = val_correct / val_total scheduler.step() print(f"Epoch {epoch+1:02d}, Loss: {running_loss/len(train_dataset):.4f}, " f"Val Acc: {val_acc:.4f}") if val_acc > best_acc: best_acc = val_acc torch.save(model.state_dict(), "best_model.pth")

这里有个关键细节：保存模型是看验证集准确率，不是看训练集损失。训练集损失在后期会降得很低，但那不代表泛化能力。我设置了“验证集准确率创新高才保存”的逻辑，避免最后拿到的不是最优模型。

5.4 训练过程中怎么判断有没有跑偏

训练时我会同时盯训练损失和验证集准确率两个指标。正常情况下，训练损失在前10个epoch快速下降，验证集准确率同步上升；到20个epoch之后，损失下降变缓，验证集准确率在某个区间震荡，这时模型在逼近它的能力上限。

如果发现训练损失持续下降但验证集准确率不升反降，基本就是过拟合了。这时候我的第一反应不是换模型，而是检查增强强度是否够大、dropout有没有加、训练轮数是不是太多。ResNet50本身表达能力挺强，5500张图训练60轮，最后几轮已经轻微过拟合，我是在验证集准确率连续5个epoch不涨之后提前停的，实际大概在第52轮拿到最优模型。早停这个技巧简单但非常管用。

6. 评估结果与误判分析

6.1 评估指标怎么选

图像分类的评估不能只看准确率。在缺陷检测场景里，我更关心每一类的召回率，因为漏检一个霉变粒比误伤一个健康粒在业务上严重得多。我计算了每类的精确率、召回率和F1分数，最终模型在测试集上的总体准确率是96.2%。

具体来看：

健康粒的召回率是97%，意味着100颗好豆子里大概有3颗会被误判成缺陷，这在产线上通常可以接受，因为后端气流喷嘴把“缺陷”吹走时，偶尔误伤一两颗好豆子造成的损失很小。反而虫蚀粒的召回率只有92.5%，说明有7.5%的虫蚀粒漏过去了，这在质检里是需要继续优化的短板。

6.2 混淆矩阵到底暴露了什么

只看上表还不够，我画了测试集上的混淆矩阵，问题一下子就清楚了。最容易错的组合是霉变粒和皱缩粒，这两个类别互相混淆的数量最多。细想一下也合理：轻度霉变初期会有失水皱缩的现象，而重度皱缩的种子颜色会发暗，跟霉变早期的外观确实有重叠。另一组是虫蚀粒和破损粒，虫蛀之后种子容易在搬运过程中裂开，既有洞又裂口，模型就有点拿不准。

针对这两组问题，我做了两件事：一是把霉变粒和皱缩粒里的一部分边界样本拿出来让标注员重新确认，发现确实有几张标签标得不严谨；二是给虫蚀粒增加了一些“虫洞+破裂”组合特征的样本。这轮补充之后，模型的混淆有所改善，虫蚀粒召回率从92.5%提到了94%左右。

6.3 真实环境测试：一测就露馅

实验室里指标好看，真到现场不一定还灵。我拿了一批手机拍的、背景不一、自然光下的种子图做了个快速测试，准确率直接掉到88%左右。掉了8个点，主要原因是背景干扰和颜色偏移。模型在训练时见多了黑绒布背景，见到浅色桌面就有点“慌”，把阴影部分误判成霉斑。

这个现象很常见，不是模型出了bug，而是训练集和测试集分布不一致。解决思路有两个：一是采集阶段就把背景变化做进训练集，我当时偷懒了；二是用简单的图像分割把种子区域从背景里抠出来，再把种子区域单独输入模型。后者会多一层预处理，但能大幅提升现场鲁棒性。如果你要做真实场景部署，建议至少留出20%的训练样本是不同环境拍的，宁可牺牲一点实验室指标，也要换现场稳定。

7. 常见问题与排查技巧实录

7.1 高频问题速查表

做这种中小型图像分类数据集项目，我整理了一份高频问题速查表，基本覆盖了从数据到训练的常见坑：

这张表是我反复踩坑后总结的，尤其是“迁移学习收敛后效果不如从零训练”这条，很少有人提。比如你用的是医学影像或者特殊传感器图像，ImageNet预训练特征可能真不适用，这时候从零训练反而更稳。我这次在大豆这种自然图像上没问题，但如果你处理的是超声、红外或者X光图，就得重新评估。

7.2 我踩过的坑：几个反直觉经验

第一个坑是增强强度过大。我一开始为了保证数据多样性，把随机旋转设到±90度，亮度调整设到±50%，结果训练损失根本没怎么降。想了一下明白了，旋转90度之后，大豆的长轴和短轴方向对调了，而正常拍摄时种子的朝向虽然随机但长宽比是固定的；亮度调整太大，种子的真实颜色信息被破坏了，霉变粒看起来跟健康粒没区别。后来我把旋转降到±20度，亮度降到±20%，损失下降立刻恢复正常。

第二个坑是测试集的划分时机。我第一版是全部数据做好增强再切分，但增强是在线随机做的，不是固定的，所以切分没问题。问题出在我一开始没打乱数据，而是按采集批次顺序划分，结果第一批里某个类别的豆子全是浅色表皮，模型在这个类别上表现虚高。重新分层打乱之后指标回落到真实水平，反而更接近实际表现。

第三个坑是标注时图省事。早期标注皱缩粒和霉变粒时，我凭印象快速贴标签，结果训练之后发现这两个类别互相乱窜。回过头去做了混淆矩阵分析，才发现错标的源头在数据本身，标注的锅，模型不背。所以我强烈建议，数据质量是第一优先级，模型只是把数据里的规律学出来而已。如果你的数据本身有噪声，再好的模型也是硬学错误规律。

写在最后：一点实操体会

这套数据集从采集、清洗、标注到训练，整个流程走下来，我最大的体会是“数据工程”这件事花的时间远比模型调参多。5500张图听着不多，但从拍摄、逐粒裁剪、双人标注、复核清洗到最终可用，前后花了一周多。模型训练反而快，两个晚上就出结果了。如果你正准备做类似的项目，我的建议是别着急调模型，先把数据和标准打磨好，后面会特别省心。另外，这个数据集以后还可以扩展：增加不同产地的大豆样本、加入存储期不同阶段的霉变样本、升级到目标检测实现缺陷定位，甚至结合近红外光谱做成分级无损检测。路是通的，只要数据基础打得牢，后面怎么走都有底气。

本文还有配套的精品资源，点击获取