传统方法 + 深度学习发威！ | 2021瓷砖缺陷检测总决赛冠军思路分享

本文整理天池比赛论坛分享：https://tianchi.aliyun.com/forum/postDetail?postId=195955

仅做收藏、学术分享

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。

二. 传统特征提取

• 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。

三.其他性能优化措施

• 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.