说实话，第一次看到这类题目的时候，我心里第一反应是：又是一个典型的“深度学习 + 某垂直场景”的毕设组合拳。墙体污渍识别，说白了就是一个图像二分类任务——判断一张图片里的墙面是干净还是脏。听起来不算复杂，但真正动手做起来，从数据集准备到模型收敛，再到最后的可视化展示，每一步都有不少细节坑。这篇文章我想把自己从零开始做这个项目的过程完整梳理出来，包括数据集怎么造、模型结构怎么搭、训练参数怎么调，以及答辩时容易被问到的几个问题。希望给正在做类似毕设的同学一条相对清晰的路线，也让你少走几步我已经踩过的弯路。
1. 整体设计与技术选型
1.1 为什么选CNN而不是传统图像处理
可能有人会想，墙体污渍检测不就是一个“判断墙面干不干净”的问题吗，我用颜色阈值、边缘检测这些传统图像处理方法行不行？说实话，如果墙体是纯白、污渍是深色油渍，这类简单场景下传统方案确实有效。但我试过几种真实采集的墙面图片之后发现，问题远没有这么简单：墙面本身就有纹理、有光照阴影、有装修时的抹痕，污渍则可能是发霉的斑点、水渍的痕迹、涂鸦的大色块、甚至是手印。这些情况用固定阈值根本没法统一处理，因为“什么是污渍”这件事本身就带有很大的主观性和视觉多样性。
CNN的核心优势在于，它通过卷积核自动提取从低级到高级的特征：浅层网络看到的是边缘、颜色、纹理方向，深层网络看到的则是“污渍区域”这类语义信息。换句话说，你不需要手动设计特征算法，只需要给它足够多的标注图片，它自己就能学会什么样的视觉模式应当被判定为污渍。这本质上是一个端到端的学习过程，和不同墙面材质、不同光照的适配性也更好。
1.2 项目目标与技术路线
这个毕设项目的目标很明确：开发一个基于Python和CNN的模型，对输入的墙体图片进行二分类，输出“有污渍”或“无污渍”的判定。为了满足毕设的展示需求，我需要同时实现模型训练、模型评估和可视化界面或批量测试功能。
整体技术路线我建议这样设计：
- 数据采集与标注：拍摄或搜集墙面图片，分为“干净墙”和“污渍墙”两类。
- 数据处理：统一图片尺寸、归一化、数据增强。
- 模型构建：基于PyTorch框架搭建CNN分类网络。
- 训练调参：划分训练集和验证集，选择优化器与损失函数，监控过拟合。
- 模型评估：计算准确率、精确率、召回率、F1分数，绘制混淆矩阵。
- 部署展示：编写一个简单的Python测试脚本或使用Flask包装成网页应用方便演示和答辩。
框架选型上，PyTorch在学术和毕设场景中要比TensorFlow更顺手，语法更接近Python原生习惯，调试也很方便。具体原因后面会展开细说。
2. 数据集构建与预处理
2.1 数据来源与采集方案
先说一个最现实的问题，公开数据集的缺乏。专门针对“墙体污渍识别”的现成数据集几乎找不到，所以这个项目的第一步是搭建自己的数据集。我当时是这么解决的，供你参考：
第一，自己拍摄采集。找一些真实的建筑墙面，包括室内白墙、水泥墙、砖墙，分别拍下干净区域和污渍区域。重点要采集不同类型的污渍，比如霉斑、墨水、油漆污点、水渍、泥脚印等。第二，从开源图像数据中筛选改造。比如从一些室内场景数据集的图片中裁剪出墙面区域，再通过标签筛选划分。第三，人工合成增强。在实际项目里，公开数据集里可能包含政治、暴力等敏感内容，我需要先判断是否存在安全风险，否则坚决不予采用，以确保内容合规、稳妥可靠。另外，如果确实采集不到足够多的真实样本，也可以通过图像编辑软件制作模拟样本——比如在干净墙图片上叠加污染纹理。但这里有个重要提醒：合成样本比例不要过高，否则模型在实际测试中可能会失效。
2.2 图片标准化要求
不管来源于哪个渠道，原始图片尺寸和比例差异都可能很大，而CNN通常要求输入尺寸固定，所以在进入模型之前需要对图片做统一缩放。我采用的是224乘以224像素的分辨率，这是很多预训练模型（如ResNet）的标准输入尺寸。如果自己搭建的CNN规模不大，拿128乘以128也没有大问题，但224的比例在后续扩展预训练模型时更通用。
代码实现非常直接，用OpenCV读取图片、缩放、转换颜色通道：
import cv2 import os def preprocess_images(src_dir, dst_dir, size=(224, 224)): os.makedirs(dst_dir, exist_ok=True) for fname in os.listdir(src_dir): path = os.path.join(src_dir, fname) img = cv2.imread(path) if img is None: continue img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = cv2.resize(img, size) dst_path = os.path.join(dst_dir, fname) cv2.imwrite(dst_path, cv2.cvtColor(img, cv2.COLOR_RGB2BGR))这里有一个细节：PyTorch的Tensor格式是CHW（通道、高度、宽度），而我们通常用OpenCV读图得到的是HWC格式，在喂给模型前需要做转换，同时像素值要归一化到0到1之间。这些操作可以直接用torchvision自带的transform工具完成。
2.3 数据集划分与增强策略
数据集准备好后，第一件事是按比例划分训练集、验证集和测试集。我采用的比例是70%训练、15%验证、15%测试。尤其需要注意验证集和测试集不能交叉使用。验证集负责训练过程中的阶段评估，像是调超参数的参考；测试集则等到全部训练完成后、模型定型时再用，这样才不至于对模型性能评估产生偏差。
数据增强对于这种样本量不充裕的识别项目非常重要。增强的本质是对图片做扰动处理，生成更多样的训练样本，并降低过拟合风险。实际代码中用torchvision的transforms就可以搞定：
from torchvision import transforms train_transform = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.8, 1.0)), transforms.RandomHorizontalFlip(p=0.5), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.05), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_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]) ])归一化用的均值方差是ImageNet数据集的标准值，即便不是预训练模型，使用这套参数也能帮助训练更快稳定下来。
3. CNN模型结构与搭建过程
3.1 网络结构设计思路
墙体污渍识别虽然是二分类任务，但要用CNN做特征提取，标准的做法是在网络末端接全连接层，把特征图映射成两个类别的得分。网络结构完全可以自己设计，比如设计为：卷积层池化层堆叠提取特征，再送入全连接层分类。每个卷积层后都接ReLU激活和批量归一化。简单来说就是：卷积负责找特征，池化负责压缩信息，全连接负责做判断。
这里要解释几个关键选择。卷积核尺寸一般都取3乘以3，因为多个小卷积核的堆叠相比一个大卷积核参数量更少，非线性表达能力更强，这是实践里验证过的常见做法。池化层选择最大池化，它在保留显著特征的同时对轻微位移有更好的鲁棒性。批量归一化（BatchNorm）则能让每层输入分布稳定，训练时可以使用更高的学习率而不易震荡。
下面是我实际使用的模型结构，参考了VGG的设计思路但做了轻量化处理：
import torch.nn as nn class WallStainCNN(nn.Module): def __init__(self, num_classes=2): super(WallStainCNN, self).__init__() self.features = nn.Sequential( # 3x224x224 nn.Conv2d(3, 32, kernel_size=3, padding=1), nn.BatchNorm2d(32), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), # 32x112x112 nn.Conv2d(32, 64, kernel_size=3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), # 64x56x56 nn.Conv2d(64, 128, kernel_size=3, padding=1), nn.BatchNorm2d(128), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), # 128x28x28 nn.Conv2d(128, 256, kernel_size=3, padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), # 256x14x14 nn.Conv2d(256, 256, kernel_size=3, padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), # 256x7x7 ) self.classifier = nn.Sequential( nn.Flatten(), nn.Linear(256 * 7 * 7, 512), nn.ReLU(inplace=True), nn.Dropout(0.5), nn.Linear(512, num_classes) ) def forward(self, x): x = self.features(x) x = self.classifier(x) return x3.2 为什么不直接套用预训练模型
很多同学为了图省事，想直接用ResNet18、VGG16之类的预训练模型，改一下最后一层分类数就开训。这样做的确省事，而且效果往往比自己设计的网络更好，但放在毕设答辩里，如果老师问你“网络每一层在做什么、为什么要这样设计”，你很难用几句话把预训练模型的内部结构讲清楚。自己搭建一个轻量级CNN模型，网络结构完全由你掌控，答辩时的表达会从容得多。这也是我坚持自己搭模型的原因。
不过，如果你发现自搭模型怎么调都欠拟合，或者项目要求和实际应用效果都比较高，完全可以考虑把预训练模型作为对比方案，放进“模型对比实验”那一章里来表现工作量。这是一种很聪明的办法，既保住了基本盘，又丰富了论文里的实验内容。
3.3 训练工具的封装
在实际训练中，我不会把训练逻辑和模型定义混在一起写，而是单独封装一个训练函数。这样清晰且便于修改。训练函数的核心逻辑是：从DataLoader取数据、前向传播、计算损失、反向传播、更新参数，同时周期性在验证集上计算指标。
def train_one_epoch(model, dataloader, criterion, optimizer, device): model.train() total_loss, correct, total = 0, 0, 0 for images, labels in dataloader: images, labels = images.to(device), labels.to(device) outputs = model(images) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() total_loss += loss.item() _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() return total_loss / len(dataloader), correct / total验证函数类似，只是把model.train()改成model.eval()，并且用torch.no_grad()包裹前向计算，这样是关闭梯度追踪防止不必要的计算开销。注意，BatchNorm在训练和验证时的行为是不同的，所以这个切换不能省。
4. 训练过程与参数调优实录
4.1 训练超参数的选择与依据
训练开始前的超参数选择直接决定模型能不能收敛以及收敛好不好。我实际采用的配置如下：
- 优化器：Adam，学习率0.001。Adam自带自适应学习率调节，相比SGD需要手动调整动量和学习率策略，Adam更适合毕设这种需要尽快出结果的场景。
- 损失函数：交叉熵损失。二分类和多分类都能用，模型输出的是两个类别的logits，交叉熵内部会帮你套softmax。
- Batch Size：32。太小收敛不稳，太大显存压力大而且容易收敛到平坦的极值点，32是常见项目中比较稳妥的折中值。
- Epochs：30到50之间。我设置了50轮并配合早停策略，当验证集准确率连续10轮不提升就自动停止训练。
有一个细节值得注意：Adam虽然好调，但学习率如果设成0.01就很容易在前期震荡得非常厉害。我的建议是先从0.001开始，如果训练损失下降很慢再考虑放大，如果震荡明显就降为0.0003或0.0001。学习率这个东西没有绝对标准，只能根据你的损失曲线去调。
4.2 完整训练脚本参考
这里给出一段可直接运行的训练脚本核心部分，我把模型实例化、数据加载和训练循环都整合在同一逻辑里：
import torch import torch.optim as optim from torch.utils.data import DataLoader from torchvision import datasets device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = WallStainCNN(num_classes=2).to(device) train_dataset = datasets.ImageFolder(root="data/train", transform=train_transform) val_dataset = datasets.ImageFolder(root="data/val", transform=val_transform) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=2) val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=2) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) for epoch in range(50): train_loss, train_acc = train_one_epoch(model, train_loader, criterion, optimizer, device) val_loss, val_acc = evaluate(model, val_loader, criterion, device) print(f"Epoch {epoch+1}/50, Train Loss: {train_loss:.4f}, Train Acc: {train_acc:.4f}, " f"Val Acc: {val_acc:.4f}")这里用torchvision的ImageFolder读取数据要求目录结构是data/train有污渍图片放在子目录里。这里强烈建议在数据准备阶段就按这个目录格式整理好，后面训练会省去很多代码量。
4.3 训练过程中常见的学习曲线分析
训练不是为了跑完脚本，而是要会看曲线判断模型状态。我根据实际观察总结了三种典型情况：
第一种，训练损失不断下降，验证损失也随之下降，这是最理想的状态，说明模型在学习泛化特征。第二种，训练损失下降但验证损失先降后升，这是典型的过拟合。解决办法包括数据增强再加强一些、Dropout比例提高、模型缩小或提前停止训练。第三种，训练损失和验证损失都无法有效下降，说明模型可能欠拟合或学习率设置不合适。可以尝试增加网络层数、加大卷积核数量、降低学习率或调整数据预处理方式。
我在项目中后期就用了一个简单有效的调试方法：先把Batch Size设成16、学习率设为0.0001，观察几个Epoch的损失变化，如果确实在下降，再恢复到32、0.001重新训练。这种从小到大逐步确认的方式能快速排除“配置有问题”的干扰。
5. 模型评估与可视化展示
5.1 评估指标的选择与计算
很多人交作业只写一个准确率，这在类别不平衡的情况下容易失真。比如你有1000张干净墙、100张污渍墙，模型全预测成干净也能拿到90%以上的准确率，但这个模型显然没有实用价值。所以毕设里至少要把以下四个指标都算出来：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1-Score）。对污渍识别这个项目来说，召回率尤其重要——宁可误报一块干净墙面，也不要漏掉一块真正有污渍的墙，因为漏检在实际场景中的代价更大。
计算方式用sklearn一行就能搞定：
from sklearn.metrics import classification_report, confusion_matrix # y_true是真实标签列表，y_pred是模型预测的标签列表 print(classification_report(y_true, y_pred, target_names=["clean", "stained"])) print(confusion_matrix(y_true, y_pred))5.2 可视化工作与结果解释
为了让答辩时有更好的效果，我还用matplotlib画了三张图：训练损失曲线、验证准确率曲线、混淆矩阵热力图。这三张图能直观展示训练过程是否健康、模型具体错在哪里、哪些类被误判。比如混淆矩阵如果显示“有污渍”图片经常被预测成“干净”，那就说明模型在弱纹理、浅色污渍上的特征提取还不够，可以考虑补充这类样本做针对性训练。
另外一个提升项目完成度的小技巧是把模型封装成可交互的小工具。我用Flask写了一个最简单的网页，上传图片后返回“有污渍”或“无污渍”的判断结果和置信度，大概100行代码。这个对毕设答辩的演示效果非常加分，老师会更直观地感受到项目的落地可能性。
6. 常见问题与排查实战
6.1 高频报错与解决方案速查表
我在整个开发过程中整理了一份高频报错速查表，这里选取最典型的问题分享给大家：
| 报错或现象 | 常见原因 | 解决方案 |
|---|---|---|
| 显存不足（CUDA out of memory） | Batch Size过大或输入尺寸过大 | 调小Batch Size，或降低输入分辨率 |
| 训练损失为NaN | 学习率太大或数据中存在异常像素值 | 降低学习率，检查数据归一化步骤 |
| 验证准确率停留在50%左右 | 数据标签错误、样本均衡性差或模型结构过深 | 可视化一批训练样本检查标签，调整数据增强 |
| 模型预测结果永远同一类 | 类别严重不平衡或损失函数收敛到局部极值 | 使用类别加权损失或增加少数类样本数量 |
除了第一个报错和参数设置直接相关外，其余几个问题大多源于数据预处理环节。我建议一旦遇到模型不收敛的情况，先不要急着改网络结构，优先打印几张经过transform后的图片，确认增强和归一化没有把图像变成一团乱码。这个检查步骤看起来简单，但在排查问题上的效率特别高。
6.2 一个典型的排查案例
我在中期测试时遇到过一个非常迷惑的现象：训练准确率一直在95%左右，验证准确率却只有70%，而且怎么调参都无法改善。刚开始我以为是过拟合，于是加Dropout、加数据增强，效果都不明显。后来我打印了一批验证集图片才发现，验证集里不少“干净墙”图片是在强光照射下拍的，墙面颜色偏黄，而训练集里这类光线条件的图片几乎没有。这就是典型的数据分布不一致问题。解决方法不是调网络，而是重新划分数据集，保证训练集和验证集里都包含不同光照条件下的样本。
这个案例给我的教训非常深：模型效果差，先不要只盯着网络结构和超参数，多看看数据和数据之间的分布差异。很多时候，问题根源不在模型内部，而在数据本身。
6.3 数据标注的细节习惯
最后提一个看起来小但对结果影响很大的细节：标注数据的文件夹命名和记录一定要保持规范。我在项目里要求每一类图片都以“来源_日期_编号”的方式命名，比如“shoot_0512_001.jpg”，然后在表格里记录污渍类型、拍摄条件和备注信息。这样做的好处是，当你发现某类样本训练效果不好时，可以快速回查这些图片的共同特征，发现规律。大部分毕设项目的精力消耗都出在数据整理和排查环节，前期多花一点时间建立规范，后期省下的时间会是数倍计。
7. 经验总结与后续扩展建议
如果让我重新再做一次这个项目，我会把更多精力放在模型可解释性上。比如用Grad-CAM生成热力图，展示模型到底在关注墙面的哪个区域。这会让答辩时的演示效果更有说服力，同时也能帮助我们判断模型预测的合理性。如果在测试时模型把有污渍的区域标了出来而你没有发现，那可能说明模型学到了你尚未察觉的图像特征，这本身就是一个值得深挖的切入点。
另外，如果想继续把这个项目深化，可以考虑从二分类扩展到多分类（区分污渍类型），或者在移动端部署模型。CNN模型的推理阶段本身计算量并不高，加上PyTorch提供了模型导出和量化压缩的工具，部署到移动端是完全可以实现的。
最后分享一个我个人的切身体会：这个题目的工作量分布大概是数据准备占四成，模型训练调参占三成，评估展示占三成。很多同学把大量时间耗在调参上，忽略了数据清洗和结果展示，到了答辩阶段就很难讲出完整故事。希望这篇文章能帮你把时间和精力花在更关键的位置上。
