加载两个不同二分类CNN合并推理时调用model.predict()出现预测失效问题

触发该异常的核心原因 #

1. 预处理流程顺序与原独立脚本不匹配 #

当前代码的预处理执行顺序为：

• 裁剪得到裸片区域
• 对全裸片区域做cv2.normalize全局归一化
• 从归一化后的图像复制副本，涂黑中间区域得到崩边模型的输入

原独立崩边预处理脚本的执行顺序为：

• 裁剪得到裸片区域
• 先涂黑中间不需要的区域
• 再对全图做全局cv2.normalize归一化

两种流程的结果存在本质差异：

cv2.NORM_MINMAX归一化是基于全图像素的最大最小值计算映射关系，提前涂入大块0值区域会直接拉低全局像素最小值、拉宽动态范围，最终输出的像素值分布和“先归一化再涂黑”的结果完全不一致。模型输入分布与训练时的分布偏差过大，就会出现输出固定类别的异常。

修正方式：将预处理顺序严格对齐原独立脚本逻辑，两个模型的输入从同一张裁剪图出发，分别完成独立的遮罩、归一化流程：

# 裁剪得到裸片ROI
crop_image = img_input[self.y:self.y + self.height, self.x:self.x + self.width].copy()
h, w = crop_image.shape[0:2]

# 分别为两个模型生成独立的原始遮罩图
scratch_raw = crop_image.copy()  # 划痕模型输入：全裸片无遮罩
broken_edge_raw = crop_image.copy()  # 崩边模型输入：带中间遮罩
broken_edge_raw[27:h - 27, 27:w - 27] = 0

# 分别独立完成归一化，和原独立脚本逻辑完全一致
scratch_input = cv2.normalize(scratch_raw, None, 0, 255, norm_type=cv2.NORM_MINMAX)
broken_edge_input = cv2.normalize(broken_edge_raw, None, 0, 255, norm_type=cv2.NORM_MINMAX)

2. 模型输入的缩放规则缺失 #

代码中被注释掉了输入张量的float类型转换与值缩放逻辑：

#scratch_input_image = scratch_input_image.astype('float32') / 255
#broken_edge_input_image = broken_edge_input_image.astype('float32') / 255

如果模型训练时所有训练样本的输入是缩放到0-1区间的float32张量，直接喂入0-255范围的uint8图像，模型输出会完全偏移。之前独立脚本运行正常，是因为当时该段代码处于生效状态，合并过程中被误注释。
修正方式：逐一对齐两个模型训练时的输入规则：

• 每个模型的输入张量单独做类型转换、值域缩放，不要套用统一处理逻辑
• 补充通道顺序转换：如果模型训练时使用RGB顺序的图像，需要在预处理最后通过cv2.cvtColor(temp, cv2.COLOR_BGR2RGB)完成通道转换——cv2.imread默认读取的是BGR通道顺序，和多数训练流程使用的RGB顺序不匹配

3. 验证排查步骤 #

• 打开原有调试代码，将生成的两个模型输入图像逐张保存为本地文件，和原独立预处理脚本的输出文件做像素值对比，只要存在单像素值差超过1，就说明预处理流程存在偏差
• 选取原独立脚本验证过的标准测试图，在合并脚本中传入该图的固定路径，分别打印两个模型的原始预测输出值，和独立脚本的输出值做对比，数值不一致即可定位到预处理环节的问题
• 检查Keras模型加载的版本一致性：两个模型统一使用同一版本的接口加载，避免因版本兼容问题导致模型权重加载异常

内容的提问来源于stack exchange，提问作者NECben067