超级会员免费看
本文运用深度学习的yolov4-tiny模型，基于Darknet框架，对1400张钢铁缺陷数据进行检测。通过调整配置文件，训练模型达到良好效果，随机测试验证了模型的识别能力。
将深度学习应用于产业实践已经是很大的一个趋势了，借助于模型的自动计算能力能够很高效低成本地完成很多工作，比如质检质控。
本文主要就是基于钢铁数据来实现对钢铁生产过程中产生的缺陷进行检测，首先看下效果图：
更多样例：
这里主要的缺陷类型共有六种，如下所示：
龟裂
夹杂物
麻面
刮痕
补丁程序
轧入比例使用英文来表示对应的缺陷类型，如下所示：
crazing
inclusion
pitted_surface
scratches
patches
rolled-in_scale为了清晰看出来各类型缺陷占比，这里对其标注数据进行了可视化：
订阅专栏 解锁全文
扫一扫
1574
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
