1.1课题背景与意义密封容器作为工业生产中广泛使用的包装和存储设备其密封性能直接关系到产品质量与生产安全。在食品加工、化工制药、医疗器械等行业中容器泄漏可能引发产品变质、有毒物质外泄等严重问题。目前工厂普遍采用人工目检结合压力测试的方法进行泄漏检测但这种方法存在效率低、漏检率高的问题。特别是在处理微小泄漏或复杂表面结构时人工检测容易因视觉疲劳产生误判。随着生产线自动化程度的提升传统检测手段已难以满足现代工业对高效质检的需求。近年来基于深度学习的目标检测技术为自动化泄漏检测提供了新思路。这类技术能够通过分析容器表面图像自动识别泄漏位置但在实际应用中仍面临诸多挑战。工业场景下的泄漏点往往呈现形态不规则、尺寸微小等特点常规检测模型容易出现定位不准或误检问题。此外生产线对检测速度的要求与模型计算复杂度之间的矛盾也需解决。本研究通过对比两种主流目标检测模型Faster R-CNN与SSD在泄漏定位任务中的表现探索不同算法在精度与效率上的平衡点为工厂选择适用方案提供依据。该研究对降低质检成本、提升检测可靠性具有现实意义同时为深度学习技术在工业质检领域的落地应用积累实践经验。4.5 实验结果分析4.5.1 训练过程对比训练数据记录显示Faster R-CNN在20轮训练后达到0.0338的最终训练损失验证损失稳定在0.0728水平。SSD的验证损失为0.3612约为前者的5倍表明其收敛效果相对较弱。学习率调整策略对训练效果影响显著两种模型均在前10轮保持0.005的基础学习率后续阶段学习率降至0.0005后Faster R-CNN的损失值下降速度加快而SSD的损失波动幅度增大。4.5.2 检测性能分析在测试集上的最终评估结果显示Faster R-CNN以0.81的mAP值领先证明其泄漏点定位精度更高。SSD的单帧检测速度达到28.7毫秒处理效率比Faster R-CNN快3倍以上。精确率与召回率数据显示Faster R-CNN的精确率82%与召回率78%较为均衡而SSD的召回率69%相对偏低容易出现漏检情况。这种性能差异说明当检测速度要求高于精度时SSD是更优选择而在质检标准严格的场景中Faster R-CNN的可靠性更佳。4.6 结果讨论模型优势分析实验结果表明Faster R-CNN在复杂场景中表现出更强的稳定性。该模型在金属容器反光、液体飞溅等干扰因素较多的图像中仍能保持82%的精确率主要得益于其两阶段检测机制——首先生成候选区域再对区域内容进行精细分类和定位。这种设计使其对目标特征的捕捉更为全面尤其在泄漏点与背景对比度较低时检测可靠性显著高于单阶段模型。SSD模型在小目标检测中展现速度优势单帧处理时间仅为28.7毫秒。其单阶段检测架构直接在特征图上预测边界框省去了候选区域生成步骤因此在处理微小泄漏点如直径小于20像素的缺陷时响应更快。测试数据显示对于面积占比0.5%以下的泄漏区域SSD的检测速度比Faster R-CNN快2.3倍但在检测精度上存在7%的差距。存在问题探讨光线变化对两种模型的检测效果均产生明显影响。在模拟强光照射的测试图像中Faster R-CNN的mAP值下降约12%SSD的下降幅度达到18%。金属容器表面反光造成的镜面效应会导致模型误判非泄漏区域尤其在光源角度突变的场景中误检率最高增加至正常水平的2倍。密集泄漏点的识别误差是另一突出问题。当图像中出现3个以上相邻泄漏点时Faster R-CNN的边界框重叠率超过40%易将多个泄漏点合并为一个检测结果SSD虽然能分离相邻目标但对间距小于10像素的泄漏点漏检率高达35%。这种现象与模型感受野的设计密切相关较小的卷积核难以区分高度密集的小目标。