数学建模竞赛实战：AI图像识别与曲率计算的融合应用

1. 项目背景与核心挑战当数学建模遇上AI图像识别最近刚带着团队打完今年的“认证杯”网络挑战赛我们选的是D题一个关于“AI图片判断”和“曲率计算”的题目。说实话这题目挺有意思它把当下火热的计算机视觉AI图片判断和经典的数学工具曲率计算给拧到了一起形成了一个典型的交叉学科问题。很多队伍看到“AI”和“曲率”这两个词可能就懵了感觉一个偏向于数据驱动的黑箱模型一个偏向于精确的数学推导这俩怎么结合这正是这道题目的精妙之处也是我们花了大量时间去啃的硬骨头。简单来说题目的核心是给你一堆图片可能是医学影像、工业零件图、地质图谱等题目会具体说明你需要先判断这些图片是否属于某个特定的类别或具备某种特征这就是“AI图片判断”部分然后对于判断为“是”的图片你需要进一步计算其中某个关键轮廓或边缘的“曲率”这就是“曲率计算”部分。最终你可能需要根据曲率的分布、统计特征等完成一个更高层次的分类、评级或异常检测任务。这整个流程就是一个完整的数学建模过程从问题抽象、数据预处理、特征工程AI判断、核心算法实现曲率计算、到模型验证与结果分析。这道题的难点非常明确。第一AI判断模块的构建。你不是简单地调用一个现成的图像分类API就完事了。你需要理解题目背景确定判断的依据是什么是纹理是形状还是特定物体的存在然后选择合适的模型CNNVision Transformer还是更轻量的方法并进行适配性训练或微调。数据从哪里来标注怎么做模型如何评估这些都是建模的一部分。第二曲率的精确计算。这可不是高中物理里那个简单的圆弧曲率公式。图像中的轮廓是离散的像素点充满了噪声和不连续性。如何从一堆像素点中提取出光滑、连续的轮廓用边缘检测Canny用图像分割如U-Net提取目标提取轮廓后如何计算离散点序列的曲率是用三点定圆法还是用参数方程求导抑或是更稳健的基于样条插值的方法不同的方法对噪声的敏感度、计算复杂度和精度天差地别。第三也是最重要的两个模块的有机融合。AI判断的结果如何作为曲率计算的输入计算出的曲率特征又如何反馈回去优化整个系统的判断性能或形成最终的综合决策这需要设计一个清晰的、可解释的建模框架。接下来我将以我们团队的解题思路为主线结合代码和建模过程为你彻底拆解这道题。我会重点讲清楚我们“为什么”做出这些选择以及在实现过程中踩过的那些“坑”希望能为你未来应对类似问题提供一个扎实的参考模板。我们的代码主要使用Python依托OpenCV、scikit-image、NumPy、Matplotlib以及PyTorch用于AI部分等库这些都是在数学建模和计算机视觉领域非常成熟和通用的工具。2. 解题总览我们的建模框架与核心思路面对这样一个复合型问题最忌讳的就是一头扎进代码里。我们首先花了将近一天的时间来梳理整个建模框架确保每一步都逻辑清晰、目标明确。我们的整体思路可以概括为“一个串联管道两个核心模块一次反馈优化”。2.1 串联管道设计我们的处理流程是一个标准的串联管道Pipeline原始图像-数据预处理与增强-AI判断模块分类器-若为阳性目标区域提取-轮廓提取与平滑-离散曲率计算-曲率特征提取-最终决策/分析。这个管道的设计基于一个基本假设只有被AI模块判断为“感兴趣”的图片才需要进行后续更耗时的曲率计算。这在实际应用中如大规模筛查是非常合理的可以极大节省计算资源。当然如果题目要求对所有图片都计算曲率那么AI模块可能扮演的是“区域建议”的角色即从图片中定位出需要计算曲率的具体子区域。2.2 两个核心模块的分工AI判断模块它的核心任务是实现一个二分类器是/否。我们将其视为一个特征提取器分类器的组合。对于相对简单的图像特征如明显的纹理差异、颜色分布我们可能会尝试传统的机器学习方法如提取HOG、LBP特征后接SVM。但对于更复杂的、需要理解语义信息的判断如图片中是否含有某种特定结构的物体卷积神经网络CNN是更优的选择。我们最终选择了一个轻量级的CNN如MobileNetV2的变体进行微调原因在于比赛数据量通常不会特别大轻量模型训练快过拟合风险低且部署简单。曲率计算模块这是纯数学和信号处理的舞台。它的输入是AI模块定位出的目标区域的二值掩膜Mask或边缘图。输出是该目标轮廓上一系列点的曲率值。这里的关键在于稳健性。图像噪声和像素离散化会严重干扰曲率计算直接对原始轮廓点使用差分法求导会得到噪声极大的结果。因此必须在计算前对轮廓进行平滑处理。2.3 反馈优化思路在初步构建完管道后我们并没有止步。我们思考曲率计算的结果能否帮助AI模块做得更好例如对于AI判断置信度不高的“模糊样本”其计算出的曲率分布特征是否有显著特点我们是否可以构建一个基于曲率统计特征如均值、方差、偏度、峰度的二级分类器与AI模块的原始输出进行融合如加权平均、Stacking从而提升整体系统的判断精度这个思路将两个模块从“串联”变成了“有反馈的协同”是模型提升的关键点也是论文中可以着重阐述的亮点。下面我们就深入到每个模块的细节中看看具体是怎么实现的以及遇到了哪些问题。3. AI判断模块的构建从数据到轻量级CNN模型题目通常不会提供现成的、标注好的大数据集。因此AI模块的构建充满了“小样本学习”和“领域适配”的挑战。3.1 数据准备与预处理假设我们从题目描述或附件中获得了数百张图片并需要人工或根据部分先验知识进行标注0为阴性1为阳性。这是建模的起点。import os from PIL import Image import torch from torch.utils.data import Dataset, DataLoader import torchvision.transforms as transforms class CustomImageDataset(Dataset): def __init__(self, img_dir, label_file, transformNone): self.img_dir img_dir self.transform transform self.img_labels [] with open(label_file, r) as f: for line in f: img_name, label line.strip().split() self.img_labels.append((img_name, int(label))) def __len__(self): return len(self.img_labels) def __getitem__(self, idx): img_path os.path.join(self.img_dir, self.img_labels[idx][0]) image Image.open(img_path).convert(RGB) # 统一转为RGB三通道 label self.img_labels[idx][1] if self.transform: image self.transform(image) return image, label # 定义训练和验证的数据变换 # 训练时使用数据增强防止过拟合 train_transform transforms.Compose([ transforms.Resize((224, 224)), # 统一输入尺寸 transforms.RandomHorizontalFlip(p0.5), # 随机水平翻转 transforms.RandomRotation(10), # 小幅随机旋转 transforms.ColorJitter(brightness0.2, contrast0.2), # 颜色抖动 transforms.ToTensor(), # 转为Tensor并归一化到[0,1] transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) # ImageNet标准归一化 ]) val_transform transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])注意Normalize使用的均值和标准差是ImageNet数据集的统计值。虽然我们的数据域可能不同但使用预训练模型时保持输入分布一致是重要的。如果完全从零训练可以计算自己数据集的均值和标准差。3.2 模型选择与迁移学习我们选择了MobileNetV2作为基础模型。它深度可分离卷积的设计在保持精度的同时大幅减少了参数量和计算量。import torch.nn as nn import torchvision.models as models def get_model(num_classes2, pretrainedTrue): # 加载预训练的MobileNetV2 model models.mobilenet_v2(pretrainedpretrained) # 替换最后的分类头 # MobileNetV2的classifier是一个Sequential最后一个是Linear层 num_features model.classifier[1].in_features model.classifier[1] nn.Linear(num_features, num_classes) return model model get_model(num_classes2)使用预训练权重是关键技巧。预训练模型在大型数据集如ImageNet上学到的通用特征边缘、纹理、形状对于我们的新任务有极大的帮助可以让我们在少量数据上快速收敛并获得更好的泛化能力。3.3 训练策略与技巧数学建模比赛时间紧训练策略要高效。import torch.optim as optim from torch.optim.lr_scheduler import StepLR device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) criterion nn.CrossEntropyLoss() # 使用AdamW优化器比Adam通常有更好的泛化性能 optimizer optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-4) # 学习率调度器每10个epoch将学习率乘以0.1 scheduler StepLR(optimizer, step_size10, gamma0.1) # 训练循环核心部分 for epoch in range(num_epochs): model.train() running_loss 0.0 for images, labels in train_loader: images, labels images.to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() scheduler.step() # 每个epoch后在验证集上评估 val_accuracy evaluate(model, val_loader, device) print(fEpoch {epoch1}, Loss: {running_loss/len(train_loader):.4f}, Val Acc: {val_accuracy:.4f})我们踩过的坑过拟合这是小数据集上最大的敌人。除了使用数据增强我们还采用了早停法。持续监控验证集准确率当连续多个epoch验证集性能不再提升时就停止训练并回滚到验证集性能最好的模型权重。类别不平衡如果正负样本数量差距很大需要在损失函数中考虑权重CrossEntropyLoss的weight参数或者对少数类进行过采样。评估指标不要只看准确率。对于二分类特别是数据不平衡时精确率、召回率、F1-score和ROC-AUC是更全面的指标。我们使用sklearn.metrics来生成详细的分类报告。AI模块的输出不仅是一个0/1标签最好还输出一个置信度概率通过Softmax获得。这个概率值对于后续的决策融合如果做的话和结果的可解释性非常重要。4. 目标提取与轮廓处理为曲率计算准备干净的数据当AI模块判断一张图片为“阳性”后我们需要从中提取出要计算曲率的目标区域。这一步的准确性直接决定了曲率计算的质量。4.1 目标区域定位具体方法取决于题目。常见情况有目标占据图片主体例如判断是否为“圆形零件”那么阳性图片中的零件本身就是目标。我们可以直接对整张图进行后续处理或用一个简单的阈值分割/边缘检测来粗略定位。目标位于图片特定区域例如医学影像中某个器官的边界。这时AI模块可能需要升级为目标检测模型如YOLO、Faster R-CNN或语义分割模型如U-Net直接输出目标的边界框或像素级掩膜。考虑到比赛时间和复杂度如果目标位置相对固定也可以尝试用传统的图像处理技术如颜色空间分割、形态学操作来提取。在我们的场景中假设目标比较突出我们采用以下流程import cv2 import numpy as np def extract_target_region(image_path, ai_maskNone): 从图片中提取目标区域。 image_path: 图片路径 ai_mask: 可选如果AI模块能输出粗略的目标区域掩膜则传入 # 读取图片 img cv2.imread(image_path) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 方法1如果AI提供了掩膜直接使用 if ai_mask is not None: target_region cv2.bitwise_and(img_rgb, img_rgb, maskai_mask) gray_region cv2.bitwise_and(img_gray, img_gray, maskai_mask) else: # 方法2使用自适应阈值或大津法进行二值化适用于前景背景对比明显的情况 _, binary cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) # 方法3使用Canny边缘检测更适合边缘清晰的目标 # edges cv2.Canny(img_gray, threshold150, threshold2150) # 对二值图或边缘图进行形态学操作填充空洞连接断点 kernel np.ones((5,5), np.uint8) binary_closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) # 找到最大连通域假设那就是目标 num_labels, labels, stats, centroids cv2.connectedComponentsWithStats(binary_closed, connectivity8) if num_labels 1: # 至少有一个背景和一个前景 # 找到面积最大的连通域排除背景 max_label 1 np.argmax(stats[1:, cv2.CC_STAT_AREA]) target_mask (labels max_label).astype(np.uint8) * 255 target_region cv2.bitwise_and(img_rgb, img_rgb, masktarget_mask) gray_region cv2.bitwise_and(img_gray, img_gray, masktarget_mask) else: # 如果没有找到连通域退回整张图或报错 target_region img_rgb gray_region img_gray target_mask np.ones_like(img_gray) * 255 return target_region, gray_region, target_mask4.2 轮廓提取与关键预处理提取到目标掩膜后下一步是获取其轮廓。OpenCV的findContours函数是标准工具。def get_contours_from_mask(mask): 从二值掩膜中提取轮廓。 返回轮廓列表每个轮廓是点集以及经过处理的轮廓用于显示。 # 确保mask是二值图 if len(mask.shape) 2: mask cv2.cvtColor(mask, cv2.COLOR_RGB2GRAY) _, binary cv2.threshold(mask, 127, 255, cv2.THRESH_BINARY) # 查找轮廓使用RETR_EXTERNAL只取最外层轮廓 contours, hierarchy cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) # 通常我们取最长的那个轮廓作为目标轮廓 if contours: main_contour max(contours, keycv2.contourArea) # 轮廓点太密集可以适当采样但为了精确计算曲率我们通常保留所有点 # 或者使用cv2.CHAIN_APPROX_SIMPLE进行压缩 return main_contour, contours else: return None, None拿到轮廓点集一个N x 1 x 2的数组后绝对不能直接用于曲率计算因为这些点是离散的像素坐标包含量化噪声。可能有不必要的细小抖动。点与点之间的间距不均匀在边缘接近水平或竖直时像素是逐个连接的。因此必须进行平滑和重参数化。5. 曲率计算的核心从离散点到稳健估计曲率是描述曲线弯曲程度的量。对于参数曲线(x(t), y(t))曲率κ的公式为κ(t) |xy - yx| / (x² y²)^(3/2)其中x, y是一阶导数x, y是二阶导数。对于离散点序列我们需要数值方法来估计导数。最直接的方法是有限差分但它对噪声极度敏感。5.1 轮廓平滑高斯滤波与样条插值我们的平滑策略是两步走高斯滤波对轮廓点的x坐标序列和y坐标序列分别进行一维高斯滤波。这能有效抑制高频噪声。import scipy.ndimage as ndimage def smooth_contour(contour, sigma2.0): 使用高斯滤波平滑轮廓。 contour: (N, 1, 2) 的numpy数组 sigma: 高斯核的标准差越大越平滑 contour contour.squeeze() # 变成 (N, 2) x contour[:, 0] y contour[:, 1] x_smooth ndimage.gaussian_filter1d(x, sigmasigma) y_smooth ndimage.gaussian_filter1d(y, sigmasigma) smoothed_contour np.column_stack((x_smooth, y_smooth)).reshape(-1, 1, 2).astype(np.float32) return smoothed_contour注意高斯滤波会导致轮廓轻微收缩且sigma值需要谨慎选择。太大轮廓会失真太小平滑效果不足。我们通过可视化轮廓来调整这个参数。样条插值为了得到更光滑、且参数间隔均匀的曲线我们使用样条插值。这是更优雅和数学上更严谨的方法。from scipy.interpolate import splprep, splev def interpolate_contour_with_spline(contour, num_points500, smooth_factor0.0): 使用B样条对轮廓点进行插值获得光滑且参数均匀的曲线。 contour: (N, 2) 的点集 num_points: 重采样后的点数 smooth_factor: 平滑因子0表示插值通过所有点0表示平滑 contour contour.squeeze() # 计算累积弦长作为参数 diff np.diff(contour, axis0) dist np.hypot(diff[:,0], diff[:,1]) cumdist np.concatenate(([0], np.cumsum(dist))) t cumdist / cumdist[-1] # 归一化参数范围[0,1] # 拟合样条曲线 # 注意contour需要转置因为splprep期望形状(2, N) tck, u splprep([contour[:,0], contour[:,1]], ut, ssmooth_factor, perFalse) # perFalse表示非闭合曲线如果是闭合轮廓可设为True # 在新的均匀参数上评估样条 u_new np.linspace(0, 1, num_points) x_new, y_new splev(u_new, tck) interpolated_contour np.column_stack((x_new, y_new)) return interpolated_contour, tck样条插值后我们得到了一个由num_points个点描述的光滑曲线这些点在曲线上是等弧长或等参数分布的这为后续稳定的数值微分打下了完美基础。5.2 离散曲率计算基于样条导数有了光滑且参数均匀的点集(x_i, y_i), i0,...,M-1我们可以计算导数。最稳健的方法是直接利用样条表示的导数。def compute_curvature_from_spline(tck, u_values): 利用样条表示的解析导数计算曲率。 tck: splprep返回的样条元组 u_values: 参数值数组在[0,1]区间 # 计算一阶和二阶导数 dx, dy splev(u_values, tck, der1) # 一阶导 d2x, d2y splev(u_values, tck, der2) # 二阶导 # 曲率公式 numerator np.abs(dx * d2y - dy * d2x) denominator np.power(dx**2 dy**2, 1.5) # 防止除零给分母加一个极小值 denominator np.where(denominator 0, 1e-12, denominator) curvature numerator / denominator return curvature如果不想用样条对均匀参数化的离散点也可以用中心差分法但效果稍差。def compute_curvature_finite_difference(x, y): 使用中心差分法计算离散点集的曲率。 假设点序列是等弧长参数化的。 # 一阶导 (中心差分) dx np.gradient(x) dy np.gradient(y) # 二阶导 d2x np.gradient(dx) d2y np.gradient(dy) # 曲率公式 curvature np.abs(dx * d2y - dy * d2x) / (dx**2 dy**2)**1.5 # 处理分母为零的点例如直线段 curvature np.nan_to_num(curvature, nan0.0, posinf0.0, neginf0.0) return curvature5.3 曲率特征的提取与分析计算出一条轮廓上所有点的曲率后我们得到的是一个曲率序列κ_i。直接使用这个序列进行后续建模可能维度太高且冗余。我们需要从中提取有代表性的统计特征。常用的特征包括基本统计量均值、标准差、最小值、最大值、中位数。分布形态偏度衡量分布不对称性、峰度衡量分布尖锐程度。局部极值曲率极大值的个数、平均值、位置分布。几何特征曲率大于某个阈值的弧段总长度表示“高弯曲”部分的占比。import numpy as np from scipy import stats def extract_curvature_features(curvature): 从曲率数组中提取一组统计特征。 features {} curvature_clean curvature[np.isfinite(curvature)] # 移除无穷大或NaN值 # 1. 基本统计 features[mean] np.mean(curvature_clean) features[std] np.std(curvature_clean) features[max] np.max(curvature_clean) features[min] np.min(curvature_clean) features[median] np.median(curvature_clean) # 2. 分布形态 if len(curvature_clean) 3: # scipy的偏度峰度要求至少4个点 features[skewness] stats.skew(curvature_clean) features[kurtosis] stats.kurtosis(curvature_clean) else: features[skewness] 0.0 features[kurtosis] 0.0 # 3. 局部极值 (寻找曲率峰值) from scipy.signal import find_peaks peaks, properties find_peaks(curvature_clean, heightnp.mean(curvature_clean)) # 高度阈值设为均值 features[num_peaks] len(peaks) if len(peaks) 0: features[mean_peak_height] np.mean(curvature_clean[peaks]) else: features[mean_peak_height] 0.0 # 4. 高曲率占比 (假设阈值是均值1倍标准差) threshold features[mean] features[std] high_curvature_ratio np.sum(curvature_clean threshold) / len(curvature_clean) features[high_curvature_ratio] high_curvature_ratio return features这些提取出的特征一个字典或向量就可以作为后续机器学习模型如SVM、随机森林的输入用于完成题目可能要求的更高层分类任务。6. 系统集成、验证与结果可视化将AI模块和曲率计算模块串联起来并设计合理的验证方式是建模的最后一步也是决定论文质量的关键。6.1 构建完整Pipeline我们编写一个主函数将整个流程串起来def full_pipeline(image_path, ai_model, device): 完整的处理流程。 返回: AI预测标签 AI置信度 曲率特征字典 以及中间结果用于可视化。 # 1. AI判断 img_tensor preprocess_image_for_ai(image_path) # 图像预处理函数 img_tensor img_tensor.to(device) with torch.no_grad(): outputs ai_model(img_tensor.unsqueeze(0)) probabilities torch.nn.functional.softmax(outputs, dim1) ai_confidence, ai_pred torch.max(probabilities, dim1) ai_label ai_pred.item() ai_confidence ai_confidence.item() results {ai_label: ai_label, ai_confidence: ai_confidence} # 2. 如果AI判断为阳性进行曲率分析 if ai_label 1: # 假设1代表阳性 # 2.1 提取目标区域 (这里简化假设整图或使用简单分割) target_region, gray_region, mask extract_target_region(image_path) # 2.2 提取轮廓 main_contour, _ get_contours_from_mask(mask) if main_contour is not None: # 2.3 平滑与插值 smoothed_contour smooth_contour(main_contour, sigma1.5) interp_contour, tck interpolate_contour_with_spline(smoothed_contour, num_points300) # 2.4 计算曲率 u_new np.linspace(0, 1, len(interp_contour)) curvature compute_curvature_from_spline(tck, u_new) # 2.5 提取特征 curvature_features extract_curvature_features(curvature) results[curvature_features] curvature_features results[curvature_array] curvature results[smoothed_contour] smoothed_contour results[interp_contour] interp_contour else: results[curvature_features] None print(fWarning: No contour found in {image_path}) else: results[curvature_features] None return results6.2 模型验证与评估对于AI分类模块我们使用交叉验证来评估其性能。对于整个系统评估则更具挑战性因为最终任务可能是基于曲率特征的分类。我们需要一个带标签的数据集其中标签是基于曲率特征的最终类别例如“类型A”、“类型B”、“异常”。数据划分将数据集按比例如7:3划分为训练集和测试集。务必确保划分是在样本级别进行而不是在图片级别随机打乱如果同一个物体有多张图片它们应被划分到同一个集合中防止数据泄露。训练最终分类器使用训练集图片通过上述full_pipeline提取曲率特征和AI置信度组成特征向量。然后训练一个分类器如随机森林、XGBoost或简单的逻辑回归。测试评估在测试集上运行full_pipeline用训练好的最终分类器进行预测计算准确率、混淆矩阵等指标。6.3 结果可视化让一切一目了然在论文中可视化是说服力的关键。我们至少需要制作以下几类图AI分类性能ROC曲线、精确率-召回率曲线、混淆矩阵热力图。轮廓提取与平滑效果对比图将原始轮廓、高斯平滑后轮廓、样条插值后轮廓绘制在同一张图上直观展示处理过程。曲率分布图沿轮廓弧长绘制曲率值可以清晰看到哪些部分是凹的曲率为正、哪些是凸的曲率为负取决于方向约定、哪些点的弯曲程度最大。特征重要性分析如果使用了树模型作为最终分类器可以绘制特征重要性条形图显示哪些曲率统计特征对分类贡献最大。import matplotlib.pyplot as plt def visualize_contour_and_curvature(original_img, original_contour, smoothed_contour, interp_contour, curvature, save_pathNone): 可视化轮廓处理过程和曲率分布。 fig, axes plt.subplots(2, 2, figsize(12, 10)) # 子图1原始图像与原始轮廓 axes[0,0].imshow(original_img) axes[0,0].plot(original_contour[:,0,0], original_contour[:,0,1], r-, linewidth2, label原始轮廓) axes[0,0].set_title(原始图像与轮廓) axes[0,0].axis(off) axes[0,0].legend() # 子图2平滑后轮廓对比 axes[0,1].imshow(original_img, alpha0.5) axes[0,1].plot(original_contour[:,0,0], original_contour[:,0,1], r--, linewidth1, label原始轮廓) axes[0,1].plot(smoothed_contour[:,0,0], smoothed_contour[:,0,1], g-, linewidth2, label高斯平滑后) axes[0,1].set_title(轮廓平滑效果对比) axes[0,1].axis(off) axes[0,1].legend() # 子图3样条插值后轮廓 axes[1,0].imshow(original_img, alpha0.5) axes[1,0].plot(interp_contour[:,0], interp_contour[:,1], b-, linewidth2, label样条插值后) axes[1,0].set_title(样条插值轮廓) axes[1,0].axis(off) axes[1,0].legend() # 子图4曲率沿轮廓的分布 arc_length np.arange(len(curvature)) # 近似弧长 axes[1,1].plot(arc_length, curvature, k-, linewidth1) axes[1,1].fill_between(arc_length, 0, curvature, wherecurvature0, colorr, alpha0.5, label正曲率(凹)) axes[1,1].fill_between(arc_length, 0, curvature, wherecurvature0, colorb, alpha0.5, label负曲率(凸)) axes[1,1].axhline(y0, colorgray, linestyle--, linewidth0.5) axes[1,1].set_xlabel(轮廓点序列) axes[1,1].set_ylabel(曲率) axes[1,1].set_title(曲率分布) axes[1,1].legend() axes[1,1].grid(True, linestyle--, alpha0.6) plt.tight_layout() if save_path: plt.savefig(save_path, dpi300, bbox_inchestight) plt.show()7. 参赛总结与关键技巧复盘回顾整个解题过程有几个点是我们觉得做得比较到位也是值得你未来参考的7.1 模块化编程是生命线从一开始就把代码写成模块化的函数如extract_target_region,compute_curvature_from_spline,extract_curvature_features。这让我们在调试、优化和尝试不同方法时异常轻松。例如当发现直接差分法曲率噪声大时我们很容易就换成了样条法只需替换一个函数调用。7.2 参数调优需要可视化辅助无论是高斯滤波的sigma还是Canny边缘检测的阈值或是样条平滑因子s这些参数都不能瞎猜。我们为每一个关键步骤都编写了可视化函数通过对比不同参数下的中间结果如轮廓平滑度、曲率曲线噪声快速确定一组合理的参数。这在论文中也是有力的佐证。7.3 重视数据泄露与评估在划分训练集和测试集时我们差点犯下大错。最初我们随机打乱了所有图片但后来发现同一个物体的不同角度照片被分到了训练集和测试集这会导致模型通过“记忆”物体而非学习特征来获得虚高的测试分数。我们及时改为按“物体ID”进行分层划分保证了评估的公正性。7.4 论文写作与代码整理比赛最后一天清晰的代码和完整的中间结果输出至关重要。我们不仅保存了最终的预测结果还保存了每一张图片的AI置信度、提取的曲率特征向量、以及关键步骤的可视化图。这让我们在撰写论文时可以快速引用任何案例进行分析使论文内容饱满、论据扎实。最后关于曲率计算还有一个高级话题值得探索多尺度曲率。对于具有分形特征或复杂纹理的边缘单一尺度的曲率可能不足以描述其特性。可以尝试在不同尺度通过高斯核大小控制下计算曲率形成一个曲率尺度空间或许能提取出更具判别力的特征。这在题目对形状描述要求极高时可能是一个出彩的加分点。