做毕业设计的时候，A同学跑来找我，说想选一个“看起来传统但实际很有意思”的方向。我说那你看看鸡蛋破损识别——用Python和CNN卷积神经网络判断一枚鸡蛋是好的还是破的。他一开始觉得这题目太小，等我把产业背景、数据坑、模型选型和最后的演示系统一条线讲完，他才发现这玩意其实非常“毕设友好”：工作量实在、技术栈完整、可视化有东西可展示、答辩时有故事可讲，而且改进空间巨大。
这篇文章就是我当时给他梳理的完整技术路线，也适合所有正在做图像分类类毕业设计、或者想用CNN做一个能落地的小型视觉系统的同学。文章不会停留在“跑通一个训练脚本”的层面，而是会把数据怎么来、模型怎么搭、训练踩了什么坑、最后怎么变成一个能演示的识别系统全部讲透。跟着这条线走完，你交出去的不仅仅是一个模型，而是一套能说明白、能复现、能展示的完整项目。
1. 为什么选鸡蛋破损识别：需求拆解与选题价值
1.1 破损检测这件事，远比“二分类”看起来复杂
从模型角度讲，鸡蛋破损识别是一个标准的二分类任务：输入一张图片，输出“完好”或“破损”。但如果你真把鸡蛋放在摄像头下面看过，就会发现这个任务并不像MNIST那种手写数字分类那么简单。鸡蛋壳的颜色不是均匀的，表面有斑点、纹理、气孔，破损的形式也多种多样——有的是哑光裂纹，有的是整块凹陷，有的是蛋壳碎成蛛网状但还没掉下来，有的是蛋液已经流出。
这些问题让“破损”这个概念本身变得模糊：一道发丝一样的细裂纹，人眼在自然光下都容易漏看，模型凭什么学得会？所以这个题目天然有价值：它在技术上需要卷积网络去捕捉局部微小纹理的异常，在工程上又要求你思考拍摄光路、图像分辨率、样本覆盖度这些非常具体的问题。二者结合，恰好是一个完整的、不注水的毕设题目。
1.2 应用场景：从养殖场到食品加工线的真实需求
鸡蛋破损检测对应的场景很清晰。养鸡场里鸡蛋从传送带下来，需要剔除破蛋；食品加工厂收到一车鸡蛋，要在入厂前快速抽检；超市的自动化分拣线也想把破损蛋拦在包装之前。这里面有一个很重要的经济学逻辑：一枚破损蛋如果混进整托包装里，蛋液会流出来污染相邻的完好蛋，导致整盒报废。所以“破损检出率”在食品企业里直接关系到损耗成本，这也是为什么这个题目在企业里不是伪需求。
从毕设视角看，这个应用场景还有一个额外的好处：它天然是“图片分类”而不是“目标检测”。你不需要画一堆标注框，不需要做锚框匹配，只需要给每张图一个类别标签。这意味着你可以把大部分时间花在模型优化和系统整合上，而不是被复杂的检测算法拖垮进度。对一个周期紧张的毕设来说，这种取舍非常重要。
1.3 毕设工作量拆解：数据、模型、系统三段式
一个完整的毕设需要撑起论文的章节结构，而鸡蛋破损识别这个题刚好能拆成三段：数据构建、模型设计与训练、系统实现。每一段都能独立成章，又有清晰的逻辑递进。
数据部分可以写数据采集方案、图像预处理、数据增强策略；模型部分可以写CNN结构设计、不同模型的对比实验、损失函数的选择；系统部分可以写界面设计、推理流程、性能测试。外加绪论和总结，论文的骨架直接就齐了。很多毕设题目最大的问题是“做完了不知道论文写什么”，这个题完全没有这个问题。
2. 数据才是真门槛：破损样本的采集、标注与增广
2.1 破损蛋数据从哪来：自己制造样本是最靠谱的路
做图像分类毕设，最怕的就是找不到公开数据集。鸡蛋破损识别恰好没有现成的标准数据集，网上零星找到的几张图也覆盖不了真实情况。既然没有数据集，那就自己建，这在毕设里完全允许，甚至是一个加分项，因为“自建数据集”代表你完整走过了数据采集和清洗的流程。
具体操作是这样的：去超市买几板鸡蛋，数量建议30到50枚，然后分两批处理。完好蛋直接清理干净表面备用；破损蛋则需要人为制造不同形态的破损——拿勺背轻轻磕出细裂纹、从10厘米高度摔下造成凹陷、用指腹按压出蛛网状碎壳、甚至故意让蛋液流出一些模拟严重破损。这里有一个实际建议：破损样本的制作要有“程度梯度”，从肉眼勉强可见的细裂纹到严重的破损漏液都要覆盖。因为模型最终要学的是破损蛋的整体分布，而不是某一种固定样态。
拍完的照片不用浪费，破损蛋的处理也很简单：这类样本拍完后基本就不能食用了，直接丢弃；完好蛋洗干净放进冰箱，自己做饭用掉。整个采集过程成本很低，几十块钱的鸡蛋加上一部手机就能搞定。
2.2 拍摄条件怎么统一：光源、背景、视角决定模型上限
数据采集有一条铁律：训练数据的分布决定了模型在实际场景中的表现。你用什么环境拍的照片，模型学的就是那个环境下的鸡蛋。所以拍摄条件必须在采集前就想清楚。
实际操作中我建议固定三个变量。第一是光源：准备一盏台灯或补光灯，从侧面45度左右照射鸡蛋，这样蛋壳的裂纹会因为光影变化而更明显，但要注意避免强光直射造成的过曝。第二是背景：用纯色纸板或者A4纸做背景，白色和黑色都可以，但整批数据要统一，不要今天白背景明天黑背景。第三是视角：手机俯拍或者水平拍摄选一种固定下来，鸡蛋在画面中占比保持稳定，不要一会拍特写一会拍全景。
分辨率方面，不需要追求过高。手机的普通拍摄模式足够，后期统一缩放到224×224像素。这个尺寸是目前CNN网络的常用输入分辨率，既能保住裂纹细节，又不会让训练显存压力过大。每类样本建议拍300到500张起步，如果打算做数据增强，这个量级已经够了。
2.3 目录组织与标注：分类任务就用文件夹当标签
图像分类任务的数据标注不需要画框，也不需要打点，最自然的做法就是用文件夹名字当标签。我建议把数据集整理成这样的结构：
data/ ├── train/ │ ├── good/ │ │ ├── good_001.jpg │ │ ├── good_002.jpg │ │ └── ... │ └── broken/ │ ├── broken_001.jpg │ ├── broken_002.jpg │ └── ... ├── val/ │ ├── good/ │ └── broken/ └── test/ ├── good/ └── broken/训练集、验证集、测试集按6:2:2的比例划分。这里特别提醒一点：同一枚鸡蛋的多个角度照片要放进同一个集合，不要一张在训练集一张在测试集。否则模型可能因为“记住了这个鸡蛋”而虚高测试准确率，答辩时被老师一追问就露馅。
整理完图片后还有一步必不可少：清洗。把模糊的、严重过曝的、手指遮挡了主要壳面的照片删掉。很多同学会忽略这一步，直接一股脑全丢进模型，结果训练出来的模型准确率莫名其妙上不去，其实就是脏数据在干扰。
2.4 数据增强：本质是用先验知识扩充样本空间
数据增强的目的不是“让图片变多”，而是把你对真实场景的预期编进训练流程。比如在实际产线上，鸡蛋的摆放角度是任意的，所以旋转变换就是合理的；光照会随环境变化，所以亮度抖动就是合理的；而如果产线的摄像头高度是固定的，那剧烈的透视变换就不太合理，甚至会让模型学到虚假的特征。
用PyTorch的transforms可以非常方便地组合这些操作：
import torchvision.transforms as T train_transforms = T.Compose([ T.Resize((224, 224)), T.RandomRotation(15), # 模拟摆放角度变化 T.RandomHorizontalFlip(p=0.5), # 模拟左右翻转 T.ColorJitter(brightness=0.2, contrast=0.2), # 模拟光照变化 T.RandomAffine(degrees=0, translate=(0.05, 0.05)), # 轻微平移 T.ToTensor(), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])验证集和测试集不要用RandomRotation这类随机增强，只需要Resize、ToTensor和Normalize。增强只作用于训练集，这是初学者最容易搞错的地方。
还有一个细节很多人没意识到：破损样本里有些裂纹非常细，经过旋转和缩放后可能变得不清晰。所以对破损类图片，旋转角度控制在±15度以内，缩放不要缩小超过10%，否则原本就微弱的裂纹信号会被破坏掉。这一点是我实际对比实验后发现的：增强过猛反而导致破损类召回率下降。
3. CNN模型怎么设计：结构选择、损失函数与训练配置
3.1 自己搭还是迁移学习：先想清楚答辩时怎么讲
模型选型是毕设里最容易被问住的环节。很多人上来就把ResNet50加载好，训练完拿个98%的准确率，然后答辩时被老师问“ResNet50的残差结构解决的是什么问题”，当场卡壳。所以我的建议是：两条路都要走。
第一条路是自建一个轻量CNN，作为baseline模型。它的意义是让整个项目的主线是完全可解释的：输入是224×224的RGB图，经过几个卷积块提取特征，最后压到两个类别的概率。每一层的输入输出尺寸、参数量、感受野都可以算清楚，论文里能画出完整的网络结构表。这条路线保证你答辩时有东西可讲。第二条路是加载预训练模型，例如ResNet18，做迁移学习。它用来做对比实验：预训练模型在这个任务上是否优于自建模型、差距有多少、为什么有差距。把两套模型的结果放在一起对比，论文的实验章节就很丰满了。
3.2 轻量CNN结构设计：参数怎么定，为什么这么定
自建CNN不用堆太深，针对鸡蛋破损这种背景相对简单的二分类任务，三层卷积结构完全够用。参考下面的结构：
| 模块 | 操作 | 输出尺寸 | 说明 |
|---|---|---|---|
| 输入 | 224×224×3 | 224×224×3 | RGB原图 |
| Conv1 | 3×3, 16, ReLU + BN + MaxPool | 112×112×16 | 提取边缘、纹理等低级特征 |
| Conv2 | 3×3, 32, ReLU + BN + MaxPool | 56×56×32 | 组合纹理特征 |
| Conv3 | 3×3, 64, ReLU + BN + MaxPool | 28×28×64 | 提取破损区域的高层特征 |
| GlobalAvgPool | 平均池化 | 64 | 降维且减少过拟合 |
| FC | 64→2 | 2 | 输出二分类logits |
核心设计逻辑有三个。第一，卷积核统一用3×3，小卷积核叠加可以增大感受野的同时控制参数量，这是现代CNN的通用做法。第二，每个卷积层后紧跟BatchNorm，它的作用是稳定训练、允许更大的学习率，对初学者极其友好。第三，用全局平均池化而不是直接Flatten再接大全连接层，这样可以把参数量压得很低，不容易过拟合。
这个网络的总参数量不到60万，在一张消费级显卡上训练毫无压力，即使没有GPU，用CPU训练也能在合理时间内跑完。对毕设场景来说，计算资源门槛低是一个很大的优势。
3.3 损失函数与优化器：默认搭配背后的理由
二分类任务最自然的损失函数就是交叉熵损失（CrossEntropyLoss）。在PyTorch里，即使你的标签是0和1，CrossEntropyLoss也会自动帮你处理成one-hot形式再算损失。不需要自己实现任何额外逻辑。
优化器方面，我建议的路径是：先用Adam快速跑通，再用SGD精调。Adam对超参数不敏感，学习率设1e-4到1e-3之间基本都能收敛，适合作为“首跑配置”。等确认整个流程没问题，再换SGD带动量（momentum=0.9），学习率从0.01开始，配合学习率衰减策略在验证集上精调。得出的结论写进论文，就是一组很有说服力的对比实验：Adam收敛曲线平滑但后期精度略低，SGD收敛较慢但最终准确率更高。这个结论在大多数分类任务上都成立，而且你有自己的实验数据支撑。
3.4 训练循环：batch、epoch、早停与检查点
训练配置看一眼就懂：
- batch size：16到32之间。鸡蛋图片224×224，这个尺寸不算大，显存4GB以上都可以用32。
- epoch：设30到50，配合早停（early stopping），验证集损失连续5到10个epoch不降就停止。
- 学习率调度：用ReduceLROnPlateau，当验证损失停滞时自动降低学习率。
- 模型存储：保存验证集准确率最高的那一次权重，不要保存最后一个epoch的权重。
训练循环本身没有太多需要魔改的地方，但有一个细节值得做：每个epoch结束后同时计算训练集和验证集的准确率与损失。如果你的模型验证集准确率不涨而训练集在涨，这就是过拟合的前兆，要立刻加正则化或增强。如果两边都不涨，则要考虑学习率是不是太小或者模型结构是否有误。把训练曲线日志保存下来，画成折线图，论文里直接能用。
4. 训练过程中的坑与对策：过拟合、样本不均衡与环境泄漏
4.1 样本不均衡：破损蛋的召回率才是核心指标
破损样本制作麻烦，所以很多时候你会面临两种类别数量不一致的情况。如果你图省事，直接拿200张完好蛋和200张破损蛋去训，那类别是均等的，问题不大。但如果你完好蛋拍了600张、破损蛋只有200张，模型就会偏向预测“完好”，因为这样做的整体准确率已经很高了。
处理不均衡有两种简单有效的方案。第一种是给损失函数加权重，PyTorch里直接在CrossEntropyLoss里传weight参数：
import torch.nn as nn loss_fn = nn.CrossEntropyLoss( weight=torch.tensor([1.0, 3.0]) # 破损类权重更高 )这里假设类别0是完好、类别1是破损，破损类权重设3.0意味着模型会把破损样本的误判看得更重要。第二种是过采样：每次采样时让破损样本被抽中的概率更高，可以用WeightedRandomSampler实现。
但我想强调一点：你要关注的核心指标不是总准确率，而是破损类别的召回率（Recall）。召回率的意思是“所有真正破损的蛋里，模型找回了多少”。在食品场景中，漏检一枚破损蛋的代价远大于误检一枚完好蛋——后者只是浪费一点人工复核时间，前者可能导致整盒报废或者食品安全问题，所以“召回优先”是这类任务的行业共识。论文里务必同时报告Accuracy、Precision、Recall和F1，不要只给一个准确率。
4.2 环境泄漏：模型学会了背景而不是鸡蛋
这是图像分类项目里最隐蔽、也最致命的坑。我见过不止一个同学的数据集，所有破损蛋照片都是在同一个桌面、同一个光位、同一个角度拍摄的，而完好蛋则散乱地出现在不同的背景里。模型最后表现出的“聪明”完全是假的：它学到的可能是“画面中央有阴影区域=破损”，或者“这张背景=完好”。
这是典型的“环境泄漏”（context leakage）问题。怎么避免？采集阶段就要注意：完好蛋和破损蛋的拍摄背景、光源位置、拍摄角度尽量保持一致。拍摄时交替进行，比如这只鸡蛋拍完完好态再故意磕破它拍破损态，背景就完全一致。如果做不到，至少留出一个独立的测试集，这个测试集要在完全不同的背景下拍摄，用它对模型做最终的诚实评估。
4.3 模型“觉得”鸡蛋没有破损：决策边界与阈值调整
CNN的输出层经过softmax之后，给出的是两个类别的概率，比如“完好0.82 / 破损0.18”。默认情况下，你取概率较大的类别作为预测结果，这等价于分类阈值是0.5。但在破损优先的场景里，我们可以把这个阈值手动调低，比如“破损概率超过0.3就判定为破损”。
这么做能提升Recall，代价是误检率升高。在毕设答辩中，这其实是一个很好的“工程优化点”：你可以画出不同阈值下的ROC曲线，算AUC值，然后解释自己为什么选了0.3作为阈值。这体现了你对“模型只是工具，业务目标决定的决策规则才是关键”这一层的理解，非常加分。
4.4 训练不收敛？先查这三个地方
如果你遇到loss不下降或者验证集烂到没法看，不要急着乱调参。按下面顺序排查：
第一，数据对不对。写一段代码把DataLoader输出的每个batch打印成图片，肉眼确认标签和图片是对应的。很多所谓“模型有问题”，最后查出是标签错乱了。第二，归一化有没有做。ToTensor会把像素缩放到0到1，但Normalize这一步如果忘了，图片的数值分布就不是预训练模型预期的分布，自建模型也会难以收敛。第三，学习率是不是过大了。如果loss在初期直接变成NaN或者跳变幅度巨大，把学习率降到1e-5试试。
排查顺序比排查技巧重要。数据问题优先于模型问题，这是所有调试经验的共识。
5. 从模型到识别系统：评估、导出与界面封装
5.1 用混淆矩阵做诚实评估
训练结束后，要用独立的测试集跑一遍完整评估，算出混淆矩阵。下面是一个示例结果：
| 预测完好 | 预测破损 |
|---|---|
| 完好（真实） | 95 |
| 破损（真实） | 2 |
按这个矩阵计算：测试集总共150张，其中完好100张、破损50张。总准确率是(95+48)/150≈95.3%。但破损召回率是48/50=96%，完好精确率是95/(95+5)=95%。这组数据能说明模型在破损检测上表现良好，但在完好类上有5个误报，意味着5枚完好的鸡蛋会被当成破损拦下来，在产线上对应人工复核的工作量。这些分析写进论文，比单写一行“准确率95%”有深度得多。
5.2 推理脚本：从权重文件到单张图片预测
模型训练好后，写一个独立的推理脚本，作为系统封装的基础。流程非常简单：加载权重、读图、预处理、前向传播、输出概率。
import torch import torchvision.transforms as T from PIL import Image def predict(image_path, model, device, class_names): transform = T.Compose([ T.Resize((224, 224)), T.ToTensor(), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) img = Image.open(image_path).convert("RGB") img_tensor = transform(img).unsqueeze(0).to(device) model.eval() with torch.no_grad(): logits = model(img_tensor) prob = torch.softmax(logits, dim=1)[0] conf, idx = torch.max(prob, dim=0) return class_names[idx], conf.item()推理脚本一定要在独立环境下测试，确认不依赖训练时的任何中间变量。很多同学在答辩现场翻车，就是因为推理脚本里偷偷依赖了训练脚本的某个全局变量。独立跑通推理，这个项目才算真正“闭环”了。
5.3 做一个能演示的界面：Flask快速封装
毕设要展示，光在终端里跑命令行是不够的。用Flask写一个最简网页，让用户上传图片并显示识别结果，整个代码量不到一百行。
前端只需要一个表单用于上传图片，后端调用上面的预测函数返回结果。核心路由的代码长这样：
from flask import Flask, request, jsonify, render_template import os app = Flask(__name__) @app.route("/", methods=["GET", "POST"]) def upload_predict(): if request.method == "POST": file = request.files["image"] save_path = os.path.join("uploads", file.filename) file.save(save_path) label, conf = predict(save_path, model, device, class_names) os.remove(save_path) return jsonify({"label": label, "confidence": conf}) return render_template("index.html") if __name__ == "__main__": app.run(host="0.0.0.0", port=5000)演示的时候，准备几张没参与训练的新照片（尤其是不同光源下拍的），当着答辩老师的面上传识别。这种临场演示的说服力，远大于PPT里贴十张实验曲线。如果时间更充裕，可以把前端做得稍微好看一点，加一个实时的摄像头识别页面，这个扩展在答辩时非常抢眼。
5.4 答辩与技术总结：把每个选择讲成有依据的决策
答辩时你要传达的核心不是“我跑通了一个模型”，而是“我完整地做了一套可以解释的解决方案”。每一块技术选择都要能回答“为什么”。
为什么用CNN而不是传统机器学习？因为蛋壳裂纹是局部纹理异常，卷积的局部感受野天然适合捕捉这种特征。为什么用两层、三层卷积而不是更深？因为数据量有限，模型过深会过拟合，且浅层模型的可解释性更强。为什么破损类权重设3.0？因为业务上漏检代价更高，这是基于场景做的决策。为什么用交叉熵做损失函数？因为二分类问题的输出天然是类别概率分布，交叉熵衡量两个分布的差异最直接。
把这些逻辑串下来，整个答辩过程就是从“我做了什么”升级为“我为什么这么做”。这两者之间的差距，就是高分毕设和普通毕设的差距。
写在最后
这个项目看起来小，但它把一个图像分类任务从头到尾的所有环节都覆盖了：数据采集、预处理、模型设计、训练调优、评估分析、系统部署。我个人的体会是，毕设选方向时不用贪大，关键是这条路要能完整走通。鸡蛋破损识别恰好就是这样一条完整的路——成本低、技术栈全、改进方向多，而且无论你是想写代码还是想写论文，都不会缺素材。真正动手把数据拍完、把模型训出来、把界面跑起来之后，你会发现自己对CNN和图像分类的理解，跟只看书完全是两个层次。
