第一次把牙齿数据集跑通的那天晚上，我盯着屏幕上的混淆矩阵看了很久。模型在验证集上的整体准确率有92%，看起来是个不错的结果，但往下翻到每一类单独的表现时，健康牙齿的召回率只有六成出头。也就是说，大量真正需要关注的口腔问题图像，模型并没有认出来。做基于CNN的牙齿健康识别系统，最大的挑战从来不是把网络跑起来，而是让网络学会真正属于牙齿病理的特征。
这篇文章抽出来的是一个完整的毕业设计项目路线：用Python搭一套卷积神经网络，从口腔图像数据集的构建、标签体系设计，到模型选型、训练调参、评估指标设计与答辩材料整理，把每一步为什么这样做、踩过什么坑都说清楚。适合正在准备深度学习相关毕设、或者想用计算机视觉做医疗影像入门项目的同学参考。
1. 选题拆解：牙齿健康识别到底是一个什么任务
1.1 从毕设角度看任务本质
很多同学拿到"基于深度学习的牙齿健康识别"这种题目，第一反应是“这不就是一个图像二分类吗”。这个理解没有错，但不完整。毕设题目真正考察的，是你能否把一个模糊的临床概念转化为清晰的机器学习问题。这里的核心差异在于：你究竟想识别“牙齿是否健康”，还是想识别“哪种口腔疾病”？
我当时的做法，是把二分类设为主任务，也就是健康与不健康二分类；但把不健康进一步拆成龋齿、色素沉着、牙龈炎三个子类。最后代码里的标签不只是0和1，而是0、1、2、3四类。这样做有两点好处：一是模型在训练时能看到更丰富的病种边界，学出来的特征不会只针对某一种异常；二是答辩的时候，你可以在混淆矩阵里讲出更深层的故事，比如“健康与色素沉着之间更容易混淆”，这种细节非常加分。
如果只做二分类，数据集标注也简单，但模型的决策边界会非常粗糙。口腔图像里面，深色食物残渣、牙结石、色素斑点和早期龋齿在外观上非常接近，强行归为一类“不健康”会让模型很难收敛。所以我的建议是：宁可标注成本高一点，也要把子类别拆开。
1.2 为什么选CNN而不选传统图像处理方法
这个问题的答案，最好用实际效果来证明。我最初做了一个对照实验，用OpenCV做边缘检测、阈值分割，再统计牙体区域的颜色直方图，配合随机森林分类器，验证集准确率不到70%。问题出在口腔图像的复杂性：口镜反光、软组织遮挡、牙齿边缘与牙龈边界模糊，传统特征根本扛不住这种变化。
CNN的优势在于它能把特征提取和分类一起端到端学出来。低层卷积学会边缘、纹理，高层卷积学会病损区域的形态组合，这种层次化表达正好匹配牙齿图像中“由细节到整体”的诊断逻辑。后面我会详细讲网络结构的选择，但先下个结论：对于牙齿健康这种细粒度图像识别，CNN是目前性价比最高的方案。
2. 口腔图像数据集构建：最容易低估的工作量
2.1 数据来源方案与合规注意
口腔图像属于医疗影像范畴，数据获取是整个项目里第一个硬骨头。我没有条件去临床机构采集真实患者图像，所以采用的是两条腿走路：
第一，使用某公开医学影像数据集里的口腔内窥镜图像子集，这类数据集通常附带有授权协议，允许用于非商业科研。
第二，自己补充采集离体牙模型图像。也就是用标准牙模，在台灯下用不同角度、不同色温的光源拍照，模拟口内环境。这一部分数据量不大，但能有效缓解公开数据集里同一设备拍摄导致的分布单一问题。
这里必须强调合规：毕设项目绝对不能直接从网上爬取医疗平台的患者照片。医学图像涉及个人隐私，一旦来源不清晰，论文评审和后续答辩都会出问题。你需要在开题阶段就把数据授权文件整理好，答辩时老师问起来，你能拿出白纸黑字的授权说明，这是非常成熟的信号。
2.2 标签体系与标注规范
标注是所有环节里最影响模型上限的一步。我踩过最深的坑是用“整张图像”作为标注单位，导致模型学到的是背景信息而不是牙齿本身。后来改成先做牙齿区域裁剪，再用裁剪后的图像做分类，效果立刻提升了将近9个百分点。
具体标注规范我列一下，供参考：
- 健康牙：牙体完整，无龋坏、无着色、牙龈无红肿。
- 龋齿：牙面有明显龋洞，或釉质表面出现白垩色、黄褐色脱矿斑。
- 色素沉着：牙面有外源性着色（烟渍、茶渍、咖啡渍），牙体结构完整。
- 牙龈炎：牙龈边缘红肿、出血倾向，可能伴有牙结石。
标注时要保证同一类别内图像风格尽量多样。比如“健康牙”不能只采集一种光源下的照片，否则模型会把颜色温当作健康特征。我当时要求自己每一类至少有三个不同拍摄角度和两种光照条件，宁可总量少一点，也不做单一样本。
2.3 预处理流程：裁剪、归一化与去噪
预处理直接决定网络输入的质量。我的流程是：
- 先用一个简单的目标检测模型（这里我用的是开源的轻量检测器）框出牙齿区域，这一步把背景干扰砍掉大半。
- 将裁剪后的图像统一缩放到224×224。
- 做直方图均衡化，主要解决光照不均匀的问题。
- 归一化到[0, 1]，并采用与其他预训练模型一致的均值方差。
直方图均衡化是口腔图像里特别有用的一步。因为口镜拍摄时经常出现中心亮、四周暗的渐晕效果，均衡化能把这种光照差异压下去不少。但要注意，牙齿的病理特征比如龋洞的颜色深浅，也可能被均衡化拉伸失真，所以这个操作要控制强度，我最后只用了有限对比度自适应直方图均衡化（CLAHE），clipLimit设成2.0，效果比较折中。
2.4 数据增强策略与样本不均衡处理
口腔图像数据集的规模通常不会太大，我最终用于训练的原始图约6000张，放到深度学习里算是小数据集。数据增强是必须做的一步，但不能乱做。
我实际启用的增强包括：随机水平翻转、小角度旋转（±15度）、轻微尺度抖动、亮度饱和度扰动、随机遮挡。这里面最有用的其实是随机遮挡。口腔图像经常伴有器械反光斑，随机遮挡能让模型不至于过分依赖反光区域的强响应。
样本不均衡也是必然遇到的问题。龋齿图像往往比健康图像少，我的处理方式不是粗暴地过采样，而是结合过采样与增强强度的调整：对少数类别，在训练时动态生成更多增强变体；对多数类别，降低增强强度，减少冗余。最终各类别参与训练的有效样本量基本持平。
3. CNN模型构建的选型逻辑与训练细节
3.1 用现成结构还是自己搭网络
凡是做过毕设的同学都会面对这个选择：手动搭建一个几层的卷积网络，还是直接用成熟的残差网络结构做微调。我的建议很明确：除非题目有特殊要求，否则直接用成熟的残差网络结构做迁移学习，但这不意味着你不需要理解结构细节。
我第一批实验用的是自己搭的五层卷积网络，结构确实简单，二分类准确率也到了85%左右，但问题很明显：泛化能力不足。换到新增的测试数据上，准确率直接掉到74%。原因不难理解，口腔图像的类间差异非常微妙，浅层网络提取到的特征不够“细腻”。
随后我改成在预训练权重基础上做迁移学习。这里要说明一下为什么迁移学习在医学小数据集上有效：预训练模型在规模庞大的通用图像集上已经学会了丰富的纹理、边缘、形状特征，这些低层特征在牙齿图像中同样适用。我们只需要替换最后的全连接分类头，再对整个网络做轻量微调，就能把通用特征“迁移”到口腔影像这个特定领域。最终效果也证明这条路走对了。
3.2 网络结构的最终配置与参数
下面是我最后的模型配置，可以作为直接参考：
| 组成部分 | 设置 |
|---|---|
| 骨干网络 | 残差网络结构（50层版本） |
| 输入尺寸 | 224×224×3 |
| 全局池化 | 自适应平均池化 |
| 分类头 | 两个全连接层（512→128→4） |
| Dropout | 在128维之后，使用Dropout=0.3 |
| 损失函数 | 带类别权重的交叉熵损失 |
| 优化器 | Adam，初始学习率3e-4 |
这里有个容易被忽略的细节：分类头我只用了两个全连接层，而没有像很多教程那样直接接一个Linear(512, 4)。为什么要多一层？因为迁移学习时，预训练模型提取的特征是通用形状，而牙齿病理特征和通用特征之间需要一个非线性变换层来“翻译”。加一层128维的中间层，能让分类器更平滑地适应新领域，代价只是多了一点点计算量，完全划得来。
3.3 训练策略：冻结阶段与微调阶段
迁移学习不是上来就全网络一起训练。我采用的是两阶段训练法：
第一阶段，冻结骨干网络的参数，只训练分类头和新增的全连接层。这一阶段学习率可以设高一些（1e-3），因为被冻住的底层特征足够通用，新分类器需要快速适应。这个阶段训练15个epoch，验证集准确率大概就能到86%。
第二阶段，解冻骨干网络的全部参数，把学习率降下来（3e-4），对全局做微调。这个阶段的目的是让特征提取层针对牙齿图像做局部修正，尤其是中高层的卷积特征，它们代表的是更具领域属性的模式，比如龋洞的边界纹理、牙龈的红色分布。微调阶段跑了20个epoch，验证集准确率最终稳定在94%左右。
有一个重要警告：如果数据集非常小，比如几千张，全网络微调很容易过拟合。我的缓解方式是配合早停策略，用验证损失连续5个epoch不下降作为停止信号，同时保存效果最好的模型权重，而不是最后一个epoch的权重。
3.4 超参数调试的实操心得
超参数里面，BatchSize和输入分辨率是我测试中影响最大的两个因素。口腔图像的病理特征偏细微，输入分辨率从128提高到224之后，验证集准确率大约涨了4个百分点。实验设备如果显存有限，更推荐用大分辨率加小BatchSize的组合，而不是小分辨率加大BatchSize。
损失函数的类别权重怎么设？我直接按各类样本数量的倒数做归一化。举例来说，龋齿样本只有健康样本的1/3，那龋齿的损失权重就设为3左右。这样做之后，模型不再倾向于把所有图像都判成多数类。调试过程中还试过Focal Loss，理论上对难分类样本更友好，但实际效果与带权重的交叉熵损失差别不大，考虑到可解释性和答辩讲解难度，最后保留了交叉熵。
4. 细粒度识别的难点：模型到底学到了什么
4.1 类间相似度：健康与色素沉着为什么总被混淆
牙齿健康识别最让人头疼的问题，是“不健康”这个概念的边界模糊。我最初训练出来的模型，在健康牙与色素沉着之间反复跳横。后来可视化特征空间才发现，这两类图像在低层纹理上高度重叠，区别往往只体现在颜色饱和度上，而颜色又是最容易被光照影响的因素。
针对这个问题，我在特征提取端做了一步重要改动：在池化层前面增加一个轻量的注意力模块。这一模块的思想是让网络自动关注最具有判别性的区域，而不是把整张图的特征一律平等地卷起来。可视化结果显示，加了注意力后，模型确实更多地在聚焦牙齿表面的着色区域和牙尖边缘，而不是嘴唇边缘或者脸颊阴影。
4.2 类别激活映射可视化：别让模型学歪了
答辩时如果想证明“我的模型不是在瞎猜”，拿类别激活映射图出来是最直观的。我做了这样一个小工具：在推理阶段，取CNN最后一个卷积层的特征图为“空间信息保留”的表示，用分类层中某类别的权重对特征通道做加权求和，得到一个二维热力图，再叠加到原图上。这样就能看到模型做出判断时依据的是图像哪个区域。
这一步让我发现了两个严重问题。
第一个问题：数据集中有一部分图像带有明显的口腔检查器械反光，模型学到了把反光区域当作“不健康”的证据。解决方法是把这些反光严重的样本从训练集里筛掉，增加随机遮挡增强来打压这种依赖。
第二个问题：有些龋齿图像前期标注时把整张牙面都框进了区域，但实际的龋坏位置只在咬合面的一个角落。模型学到的是“这张图整体色调偏黄”，而注意力热力图在真实病灶位置上响应并不强烈。意识到这个问题后，我把数据标注颗粒度放宽，将个别区域存在明显龋坏但整体仍算健康臼齿的样本重新核对，减少标注噪声。
4.3 进阶方案：区域级分类与两阶段推理
为了让识别结果更可解释，我做了一个两阶段推理的pipeline作为加分项：先检测牙体区域，再对每一颗牙单独分类。这一方案在实验室的嵌入式设备上也能跑通，因为每个阶段用的网络都很轻量。
两阶段推理的实际意义在于，它能输出“哪颗牙有问题”，而不只是“这张图有没有问题”。对毕设而言，这是一个非常好的创新点，因为大多数学生做的只是全局分类，而你做到了定位加分类的结合。
5. 评估体系与答辩材料准备
5.1 只看准确率是不够的
准确率是最直观的指标，但用在医疗相关的任务上远远不够。健康牙齿被误判为有问题的代价，和蛀牙被漏判的代价，严重程度完全不同。所以我的评估体系包含了四个维度：整体准确率、各类别的精确率与召回率、F1分数，以及加权平均F1。
最终的指标大概是这样的（基于我自己留出的测试集）：
| 类别 | 精确率 | 召回率 | F1 |
|---|---|---|---|
| 健康 | 0.92 | 0.90 | 0.91 |
| 龋齿 | 0.88 | 0.87 | 0.875 |
| 色素沉着 | 0.82 | 0.85 | 0.835 |
| 牙龈炎 | 0.86 | 0.84 | 0.85 |
这个结果看着还行，但必须诚实指出，测试集与训练集来源相近，真实临床环境中的表现大概率会打折。我建议在论文里专门留一段写局限性，这种坦诚比硬吹效果更能赢得答辩老师认可。
5.2 错误分析：把失败案例做成“研究贡献”
一次答辩时，老师问我：“误差主要来自哪里？你怎么证明误差不是模型本身的问题？”我当场翻开了自己的错误分析文档。健康牙齿被误判为龋齿的样本中，超过六成是带有深色咬合面窝沟的磨牙；色素沉着被误判为健康牙的样本中，大多是浅黄色着色且曝光过度的图像。
这种分析的价值在于：它表明误差有迹可循，与牙科临床上的视觉判断困境是吻合的。你可以顺着这些失败案例提出后续改进方案，比如引入咬合面局部放大图、增加不同光照条件下的测试数据，甚至融合近红外成像。答辩老师要的不是一个完美的系统，而是一个能发现问题和解释问题的学生。
5.3 在答辩中如何把项目讲出深度
毕设答辩的时间通常很紧，常见误区是花大量时间介绍网络结构，等到关键问题反而没时间讲。我的经验是：技术背景部分压缩到2页以内，重点讲三块内容。
第一块是问题定义，包括临床需求、数据来源、标签设计。第二块是方案设计，包括两阶段推理结构和迁移学习策略，这里要突出“为什么这样选”，而不是只罗列事实。第三块是实验分析，包括消融实验和错误分析。
要特别注意，答辩老师非常喜欢问一个经典问题：“不用深度学习方法，你会怎么做？”这个问题本质上是考察你对传统图像处理和机器学习基础的理解。准备时建议把阈值分割、特征描述子、支持向量机这些基础方法的思路过一遍，不需要真的实现，但能把优缺点讲清楚。
6. 踩坑记录与冲刺阶段的几个实用建议
6.1 数据集切分的泄漏问题
这是我在第二轮实验时才发现的坑。最开始我直接对增强前的原始图像做了随机切分，但有些相似图像来自同一牙齿模型的不同角度，它们同时出现在训练集和验证集中，导致验证指标虚高。发现之后，我改为按“牙齿样本来源”进行分组切分，确保同一个对象的图像不会跨集合出现。这个细节对最终评估结果的可信度影响极大。
6.2 显存不足与BatchSize的博弈
我手头的显卡显存只有6G，直接训练ResNet50的224×224输入，BatchSize一度只能开到8。在验证集上发现，BatchSize过小时批次归一化层统计不稳定，模型收敛较慢。后来我把输入分辨率暂时降为176×176做实验调参，等到确定最终方案后再切回224×224做正式训练，这样既省显存又不影响最终效果。
6.3 实验管理：每次运行都要有迹可循
毕设周期长，实验次数多，最怕的是“效果变好了，但忘了改了哪个参数”。我的建议是，从第一天开始就为每次实验建立一张记录表，包括：模型结构、输入尺寸、增强策略、学习率、BatchSize、训练轮数、验证集指标、备注。不要相信自己的记忆力，实验跑了三个月之后，你连上周的参数都记不住，没记录的话纯粹白跑。
6.4 一个让答辩加分的“失败复盘”
我的模型在初版遇到过一个非常典型的问题：验证集准确率不错，但在另一批新增的真实口腔图像上掉点明显。后来定位到原因是公开数据集图像和新增图像的白平衡差异太大。我没有把这个失败藏起来，反而在答辩材料里专门放了一页“跨域泛化失败案例分析”，提出了用颜色归一化和风格迁移增强来缓解的思路。评委对这个章节的兴趣明显高于别的部分，因为他们看到了你在独立思考问题，而不仅是套网络调参数。
7. 结尾：把项目再做深一点的几个方向
模型验收之后，我给自己的项目做了三个方向的延伸规划。第一个方向是引入细粒度的牙齿编号检测，输出“哪一颗牙有问题”，这需要从分类走向目标检测任务。第二个方向是轻量化部署，把网络结构换成更轻量的版本，并做参数量化，让识别模型可以在移动端运行。第三个方向是生成对抗网络的图像增强，用合成图像扩充少数类样本，缓解真实医学数据难获取的问题。
我个人最大的体会是，这类毕设项目的价值不在于你把一个现成的CNN跑通，而在于你用工程方法解决了一个实际场景中的人问题。数据集构建、标签定义、评估体系、失败结果分析，每一个环节都有大量课本没有写的细节。把这些内容踏实地做完、记录下来，论文的每一章都言之有物，答辩自然就不会虚。
最后分享一个时间规划的小技巧：模型训练不等于写代码，那些看不见的数据清洗和标注工作，才是真正消耗时间的地方。一定要把总时间的一半以上留在数据处理和实验管理上。如果只盯着网络结构写代码，到最后你会发现，模型和数据集都在拖后腿，所有问题全挤在答辩前两周爆发。
