基于PyTorch Android API实现事故照片模糊检测的方案咨询

1. 前置分辨率校验（无需模型） #

这部分逻辑直接在Kotlin层实现，优先做校验可以减少不必要的模型推理开销：

• 先预设符合业务要求的最低分辨率阈值，比如要求图片长边≥1920px、短边≥1080px，拍摄完成后直接读取Bitmap的宽高参数比对，不符合要求直接提示用户重拍。
• 可在调用系统相机时直接锁定输出分辨率为阈值以上，从拍摄源头减少不合格照片的产生。

2. 模糊检测方案选型 #

根据业务准确率要求选对应方案即可，不需要从零搭建复杂模型：

• 轻量无模型方案：直接在移动端实现拉普拉斯方差检测逻辑。将图片转为灰度图后做拉普拉斯卷积，计算卷积结果的方差，方差低于预设阈值判定为模糊。该方案推理速度极快、无额外包体积增量，适合大部分简单场景。你可以先用已有的事故清晰/模糊样本测试该方案的准确率，达标可以直接使用，省略模型训练部署流程。如果场景存在局部模糊、运动失焦混合等复杂情况，该方案准确率不足的话，再切换深度学习方案。
• 深度学习方案：训练轻量二分类模型，输入为事故照片，输出为「清晰/模糊」两类标签。模型结构选择MobileNetV3、ShuffleNetV2这类专门为移动端优化的轻量CNN结构，数据集可以标注一批真实事故场景的清晰、模糊样本，混合公开模糊检测数据集训练提升泛化性。训练完成后将模型做INT8量化，转成PyTorch Mobile支持的.ptl格式，放入APP的assets目录即可。

3. Kotlin端推理逻辑改造 #

你参考的官方图像分类示例可以直接修改适配你的需求：

• 预处理步骤：将拍摄得到的Bitmap缩放到模型要求的输入尺寸，转成Tensor后做归一化处理，预处理逻辑必须和训练时的逻辑完全一致，避免推理结果偏移。
• 输出校验：你的二分类模型会输出两类概率值，取「清晰」分类的概率值，预设阈值比如0.8，概率高于阈值判定为合格，低于阈值直接提示用户调整光线、拍摄距离后重新拍摄。

4. 落地优化建议 #

• 增加防误判机制：单次检测判定为模糊时，先提示用户调整拍摄条件，连续2次检测不合格再阻断上传，避免偶发误判影响使用体验。
• 阈值动态调整：上线初期可以先收集上传的照片样本，分批迭代调整分辨率阈值、模糊检测阈值，适配不同执法场景的光线、拍摄距离差异。

内容的提问来源于stack exchange，提问作者Abdulmajeed