一个半小时完成一个目标检测任务——基于CooVally的热轧钢带表面缺陷检测

目前，中国正在大力发展新型工业，推动工业信息化、智能化建设。在钢铁制造的工艺流程，对于生产的钢带也提出了较高的质量管控需求，因此，对钢板表面进行缺陷检测是一项重要的任务。

通常，钢带表面缺陷主要以水印、裂口、边部硌印为主。当前工厂现有的检测方式多为人工检测，一般的目视检测，常会造成一些如：检测精度差、人工效率低等问题；而且对人体健康也有一定的损害。

所以综合以上，决定尝试使用CooVally对东北大学热轧钢带数据集中的6类表面缺陷进行检测（目标检测任务），初次训练mAP便达到了0.7094。

首先介绍一下这6类表面缺陷的类型与外观特征吧：

图：实验采用的数据集样本

接下来，我们进入CooVally进行了一次简单的数据集训练。

相信大家也很期待训练结束后的数据情况，那么我们便直接展示结果吧！

根据结果页面可以看到初次训练的一个参数设置，总共10次实验，每次实验迭代了30次，然后并发执行3次，本次实验采用的模型是RetinaNet。

图：CooVally实验项目概览页面

在实验详情中我们可以看到完成本次实验共计花费了1小时24分53秒，此外还可以浏览训练耗时、训练损失还有默认指标等具体信息。在训练损失中，可以看到实验中的损失呈现出一条越来越接近于X轴的水平直线，也就代表训练的结果越来越好。

图：10次实验训练损失

来到训练列表，会发现每次实验的时间有的差别比较大。这是为什么呢？

因为每一位AI工程师的时间和资源都很宝贵，而平台在训练时，发现训练结果不是特别理想便会自动终止此次实验，以免浪费过多的时间与资源，还是很人性化的。在这仅10次的训练中，mAP最高达到了0.7094。

图：最好实验结果训练信息展示

图：10次实验结果展示

所以，赶紧来CooVally试试吧！

中奥智能工业研究院https://www.sinoaus.net/CoovallyHome

CooVally不仅内置了多种模型类型，而且还可以帮助用户快速筛选可用的AI模型，使用户不必浪费过多的时间在模型筛选上。

参考文章：

1.寇旭鹏,刘帅君,麻之润.基于Faster-RCNN的钢带缺陷检测方法[J].中国冶金,2021,31(04):77-83.DOI:10.13228/j.boyuan.issn1006-9356.20200506.

2. https://www.jianshu.com/p/2121f7d5e