Python + 基于工业的表面缺陷检测网络

注： 这是在19年10月份看到的一片文章，自己试验了一下感觉效果不错，在这里做一个记录。
链接：表面缺陷检测文章
原理此文章中已经有详细的概述，这里不多做解释
优点： 用较少的数据集就能够达到很好的效果
论文下载：论文地址
数据下载： 数据集
模型下载：Github缺陷检测网络下载链接
源码连接：源码以及测试步骤
效果：








因为用的自己的笔记做训练的所以，图像进行了切割
将所有文件下载好之后，可以直接进行训练，也可指制作自己的数据集进行训练，步骤如下：
1、制作数据集
一张原图对应一张Mark图，可以使用Labelme 将缺陷区域涂成白色，也可以使用其他方法，如果图像没有缺陷就不做标记，保证数据集中好的和不好的都有。
2、确认参数
数据集制作好之后，根据数据的数量以及不良数据集的Index，修改config.py 中的参数,这个文件中记录的是每个文件夹中的不良图片的位置，要保证一一对应，不然会影响训练的效果。

修改数据集中训练的样本的比例：
打开agent.py找到listData1函数，修改test_ratio 参数即可
3、开始训练
在cmd窗口中输入 python run.py -test，开始训练
训练的过程中每3次会进行一次模型预测，效果如下：
3次预测效果
555次预测效果

可以看到图像的效果已经很好了
下面是复杂花纹的图像训练预测效果：
5次训练
470次训练效果

由于是灰度图像，训练时图像的明暗程度会直接对训练的效果造成影响。