从测试转开发后，我用计算机视觉搞了个“区块链+AI”缝合怪？别急，听我慢慢道来
兄弟们，还记得那个天天在 Jira 里给你提 bug、在测试报告里写“无法复现”的 QA 吗？没错，那就是两年前的我。现在嘛——我已经是个正儿八经的 Rust 学徒（自称），MacBook Pro 上常年开着 VS Code + Docker + tmux 的三件套，Windows 虚拟机只在需要测兼容性时才启动一下（还得骂一句“这破系统又蓝屏了”）。
我在现在的团队快干满两年了，从最初只会点点点写测试脚本，到现在能独立负责一个模块的后端+部分算法集成，说实话，一路走来全靠“被需求推着跑”。上周五晚上十一点，我还在改一个 CV 模型的推理延迟问题，产品经理突然在群里@我：“这个功能双11前必须上线，对齐下排期。” 我默默咽下第 N 杯速溶咖啡，心想：行吧，反正头发也没剩几根了。
今天想跟大家唠唠最近做的一个计算机视觉实战项目——听起来高大上，其实一开始就是个临时救火需求。但有意思的是，过程中我们居然把算法和区块链这两个看似八竿子打不着的东西给“缝”在了一起。别笑，真不是为了凑 buzzword，是业务逼的！
事情的起因：老板说要“溯源防伪”
去年 Q4，公司接了个新业务线——高端农产品溯源。简单说，就是给每箱有机草莓贴个二维码，消费者扫码能看到这箱草莓从种植、采摘到物流的全流程。听起来挺美好，对吧？
但问题来了：怎么证明你扫出来的“种植记录”是真的？万一农户随便拍张别人家的地，P 张图上传系统，平台背书了，结果货不对板，最后锅还是我们背。
产品经理拍脑袋：“加个 AI 图像识别！自动判断上传的照片是不是真实场景。”
技术总监补刀：“再上个区块链存证，保证数据不可篡改。”
我坐在工位上，手里的 M1 Max 都感觉烫手了——我一个半路出家的开发者，又要搞 CV，又要碰链？当时真想回老家种草莓。
别慌，先拆解问题
冷静下来一分析，其实核心就两块：
- 图像真实性验证：用户上传一张农田照片，系统要判断它是否符合“真实草莓种植场景”的特征。
- 可信存证：一旦判定为真，就把这张图的元数据（哈希、时间戳、GPS、模型置信度等）写入区块链，后续不可抵赖。
第二点还好说，我们用的是 Hyperledger Fabric（内部私有链），API 封装得挺成熟。难的是第一点——怎么让算法“看懂”一张图是不是真的草莓地？
数据比模型更重要（血泪教训）
我一开始天真地以为，直接拿个 ResNet50 微调一下就行。结果？训练集只有 200 多张图，还是从内部员工手机里东拼西凑来的。模型在训练集上准确率 98%，一上测试集（也就是农户自己拍的糊图、逆光图、甚至拿手机对着电脑屏幕拍的图），直接崩到 60%。
“你这模型怕不是学会了识别‘办公室窗户反光’？” —— 我们的 CV 老哥（科班出身，人狠话不多）看完结果后如是说。
痛定思痛，我们决定重新搞数据。花了两周时间，联合运营团队，跑到合作农场实地采集了3000+ 张高质量图像，涵盖不同天气、光照、角度、生长阶段。更关键的是，我们还收集了负样本：比如普通草地、其他水果田、室内摆拍、网络盗图等。
最终数据集结构如下：
| 类别 | 数量 | 特点 |
|---|---|---|
| 真实草莓田（正样本） | 2800 | 多角度、多时段、含 GPS 元数据 |
| 普通农田/草地（负样本） | 600 | 易混淆场景 |
| 室内/摆拍（负样本） | 400 | 手机拍摄，常见于造假 |
| 网络图片（负样本） | 300 | 带水印、分辨率异常 |
有了靠谱数据，模型才有救。
算法选型：轻量级才是王道
我们的服务要部署在边缘设备（农场网关），算力有限，GPU？不存在的。所以模型必须小、快、准。
对比了几种方案：
| 模型 | 参数量 | 推理速度（CPU） | 准确率（验证集） | 是否适合边缘 |
|---|---|---|---|---|
| ResNet50 | ~25M | 800ms | 92% | ❌ 太重 |
| MobileNetV2 | ~3.4M | 120ms | 89% | ✅ |
| EfficientNet-Lite0 | ~4.3M | 150ms | 91% | ✅ |
| 自研蒸馏小模型 | ~1.8M | 70ms | 88% | ✅✅ |
最后我们选了 MobileNetV2 + Focal Loss 的组合。为什么不用更准的 EfficientNet？因为实测发现，在低光照场景下，它的误判率反而更高。而 MobileNet 对模糊和低对比度图像更鲁棒——这点在农田环境太重要了。
训练时还踩了个坑：没做数据增强。第一次训完，模型对旋转、裁剪极度敏感。后来加上了 albumentations 库的随机亮度、对比度、旋转、仿射变换，泛化能力立马提升。
# 训练时的数据增强 pipeline（PyTorch）
transform = A.Compose([
A.RandomRotate90(),
A.Flip(),
A.Transpose(),
A.OneOf([
A.IAAAdditiveGaussianNoise(),
A.GaussNoise(),
], p=0.2),
A.OneOf([
A.MotionBlur(p=0.2),
A.MedianBlur(blur_limit=3, p=0.1),
A.Blur(blur_limit=3, p=0.1),
], p=0.2),
A.ShiftScaleRotate(shift_limit=0.0625, scale_limit=0.2, rotate_limit=15, p=0.2),
A.OneOf([
A.OpticalDistortion(p=0.3),
A.GridDistortion(p=0.1),
A.IAAPiecewiseAffine(p=0.3),
], p=0.2),
A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
ToTensorV2()
])
训练完导出 ONNX，再用 TensorRT 优化（虽然边缘设备没 GPU，但 CPU 推理也受益于算子融合），最终推理时间压到了 90ms 以内，满足业务要求。
区块链？真不是为了装 X
很多人一听“区块链+AI”就觉得是炒作。但在这个场景里，区块链确实解决了信任问题。
流程是这样的：
- 用户上传图片 → 系统调用 CV 模型判断是否为真实草莓田
- 如果置信度 > 0.85，则生成一条存证记录，包含：
- 图片 SHA256 哈希
- 模型输出的类别和置信度
- 拍摄时间 & GPS 坐标（来自 EXIF）
- 农户 ID
- 调用 Fabric Chaincode，将上述数据写入区块
- 返回交易 ID 给前端，消费者扫码即可查看完整溯源链
关键在于：一旦上链，谁都改不了。哪怕我们平台内部有人想作假，也得控制超过 2/3 的节点——而节点分布在合作农场、物流公司、监管方手里。
代码层面其实很简单，就是一次 gRPC 调用：
// Go 服务调用 Fabric SDK（简化版）
func RecordEvidence(evidence Evidence) (string, error) {
client := fabric.NewClient("peer0.farm.example.com")
resp, err := client.InvokeChaincode("traceability", "recordImage", []byte(evidence.JSON()))
if err != nil {
return "", fmt.Errorf("blockchain write failed: %v", err)
}
return string(resp.Payload), nil
}
但调试过程差点让我秃了——Fabric 的 TLS 证书、MSP 配置、链码版本对齐……每次改一点都要等 10 分钟部署。运维大哥看我眼神都带怜悯：“又卡链上了？要不要给你泡杯枸杞？”
效果如何？上线后的真实反馈
双11前一周，系统终于灰度上线。首周处理了 12,000+ 张图片，其中 8,300+ 被判定为真实场景并上链，其余被拦截（多数是室内摆拍或网络盗图）。
最惊喜的是，误判率低于 3%。有次系统拒了一张图，农户打电话投诉，结果我们调出 EXIF 发现——他是在自家客厅用投影仪放草莓田视频，然后对着屏幕拍的！AI 居然识别出了投影的摩尔纹和色偏，牛！
当然也有翻车时刻。有一次暴雨天，照片全是水珠和模糊，模型直接判假。后来我们紧急加了个“人工复核”通道，并在模型输入前加了去雾预处理模块（用的是轻量级 DehazeNet 变种），问题缓解了不少。
从测试转开发的感悟：别怕跨界
写这篇文章的时候，我刚用 Rust 重写了图像预处理模块（性能比 Python 快 3 倍，内存占用少一半）。虽然还在啃《The Rust Programming Language》，但那种“零成本抽象”和“内存安全”的爽感，真的会上瘾。
回头看这个项目，其实没啥黑科技。核心就三点：
- 数据质量 > 模型复杂度
- 业务场景决定技术选型（别一上来就上 Transformer）
- 区块链不是万能药，但在需要多方信任的场景，它真香
如果你也是非科班出身，或者正从测试/运维转开发，别怕碰算法、碰新领域。我当年连卷积是啥都不知道，现在不也能搞 CV+链？
最后送大家一句我们团队墙上贴的话（老板写的，但意外地不鸡汤）：
“技术没有高低贵贱，能解决问题的就是好技术。”
好了，我去 fix 一个线上 bug 了——听说又有农户试图用 Photoshop 把西瓜 P 成草莓……这届用户，真是越来越卷了啊。
（完）
评论 0