2021 瓷砖表面缺陷检测总决赛冠军解决方案:传统方法+深度学习 | 您所在的位置:网站首页 › 瓷板砖花纹 › 2021 瓷砖表面缺陷检测总决赛冠军解决方案:传统方法+深度学习 |
作者丨安宁的庞巴迪@知乎 一. 总体方案概述虽然当前深度学习技术十分火爆,但它占AOI落地项目中的比例仅约10%。传统算法依然无法被完全取代,它有着计算复杂度低、调试成本低等优点。 ![]() 为了结合深度学习算法和传统算法的优势,我们提出Deep and Shallow Fusion Network (DSFNet), 该网络将传统算法提取的特征在模型的深层和浅层按通道进行拼接。这样的结构仅用单模型ResNeSt50就取得了优异的成绩。 ![]() 我们对仅在模型的深层或者浅层拼接分别进行了实验,发现只有同时进行拼接效果最好。 ![]() 用surf算子提取瑕疵图和模板图的特征点,再通过透视变换将模板与瑕疵图对齐,最后差分得到传统特征,其流程框图如下: ![]() 由于瓷砖的花纹复杂,与瑕疵难以区分。这样对齐差分后,可以抑制绝大部分的噪声,而突出瑕疵的特征。 ![]() anchor_scale和anchor_size设置。对于不同的检测任务,往往需要统计训练数据来针对性的设置这两个参数,这样才能将模型的性能最大化。 ![]() 可变形卷积增加了模型对各种目标形状的建模能力,是个稳定的涨分点。 ![]() 双阈值,对于提高ACC效果明显, 会略微降低mAP。需要调到合适值,才能达到总score最大化。 ![]() Backbone是ResNeSt50。由于split-attention模块能够实现跨通道注意力机制,所以这个模型正好适合我们按通道拼接的传统特征和深度模型特征。 ![]() 后期还利用差分图像做了瑕疵增广实验,由于时间关系,未能测试。 ![]() 四. github地址 正在整理,即将开放. 本文仅做学术分享,如有侵权,请联系删文。 下载1 在「3D视觉工坊」公众号后台回复:3D视觉,即可下载 3D视觉相关资料干货,涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。 下载2 在「3D视觉工坊」公众号后台回复:3D视觉github资源汇总,即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。 下载3 在「3D视觉工坊」公众号后台回复:相机标定,即可下载独家相机标定学习课件与视频网址;后台回复:立体匹配,即可下载独家立体匹配学习课件与视频网址。 |
CopyRight 2018-2019 实验室设备网 版权所有 |