基于卷积神经网络的芯片表面缺陷智能检测系统-CNN

项目描述 基于卷积神经网络的芯片表面缺陷智能检测系统
本项目是基于卷积神经网络的芯片表面缺陷智能检测系统，面向半导体制造场景，通过分类芯片表面图像自动识别缺陷类型，并提供完整的 Web 应用用于检测、反馈与模型迭代。

项目功能
支持单张或多张芯片图片上传与实时预测，输出缺陷类别、置信度和各类概率分布；提供识别历史记录，可按日期筛选与清空；支持将误判样本标记真实类别并自动收集入库，按预测类别归档去重并保留报告历史；支持原始模型与优化模型之间一键切换，无需重启服务；支持基于错误样本的混合训练微调，生成带时间戳的多版本模型并记录验证准确率。检测共覆盖四类缺陷：ZF划痕、破损、引脚断裂、通用划痕。

运行环境
操作系统为 Windows，Python 版本为 3.11，使用 CPU 版本的 PyTorch 运行（无需 GPU 亦可推理，有 NVIDIA 显卡时可用 CUDA 加速训练）。所需依赖包括 torch、torchvision、Flask、Pillow、NumPy，训练与评估另需 matplotlib、tqdm、scikit-learn。模型权重文件已内置，首次运行训练脚本时会自动下载 ResNet18 的 ImageNet 预训练权重。

项目技术
深度学习方面采用 ResNet18 迁移学习，解冻最后一个残差块与全连接层进行微调，配合数据增强、标签平滑、权重衰减、余弦退火学习率调度、早停法和测试时增强；后端采用 Flask 构建 RESTful 接口并提供内嵌前端页面，前端基于 Bootstrap 实现响应式交互；数据存储使用 SQLite 记录识别历史与错误样本；图像处理使用 PIL 与 OpenCV；模型评估使用准确率、混淆矩阵与 ROC 曲线等指标；原始数据为 YOLO 格式，通过预处理脚本转换为按类别划分的分类数据集格式。

以上系统源码经过技术整理与调试，确保能正常运行