表面缺陷检测-DAGM 2007

已于 2022-12-14 16:33:51 修改
阅读量1.1k 收藏
点赞数
分类专栏： 工业视觉 文章标签： 缺陷检测 机器视觉 图像处理
于 2022-12-05 21:19:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u012594175/article/details/127989818
版权

1.DAGM 2007数据集介绍

2.实验

一把梭

TEST 8050，FP=5, FN=5

分类别

Class4: FP=1, FN=0

ClassOther: FP=0, FN=0

机器视觉技术交流 

NonDay
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
表面缺陷检测数据集汇总及其相关项目推荐 | Github开源
迈微AI研习社 · 号主
09-27 1万+
全网目前最全的表面缺陷检测数据集整合，包含项目GitHub Repo
DAGM2007数据集扩增（COCO格式以及VOC格式的灰度图数据集都可用）
weixin_43871357的博客
08-04 2203
本文主要内容是将COCO格式以及VOC格式的DAGM2007数据集进行扩增，主要包含五种扩增方法：水平翻转、垂直翻转、随机裁剪、随机旋转、随机四张图片拼接
DAGM-2007-Binary-Classification
04-04
DAGM-2007-二进制分类\ 数据集： 要求： Python 3.6 Tensorflow 1.12 凯拉斯2.2.4 OpenCV 3.4.1 增强器
DAGM2007数据集格式转换（DAGM转换为COCO格式、COCO格式转换为VOC格式）
weixin_43871357的博客
08-04 1626
因为在做目标检测时需要用到DAGM2007数据集，但是官方提供的数据集格式与现在主流的COCO、VOC格式不同，重新写Dataset类又太过麻烦。因此在这里写了几个代码方便进行数据集的格式转换。
缺陷检测公开数据集大全
bigData1994pb的博客
12-30 1万+
一、弱监督学习下的工业光学检测（DAGM 2007） 数据下载链接：https://hci.iwr.uni-heidelberg.de/node/3616 数据集简介： 主要针对纹理背景上的杂项缺陷。 较弱监督的训练数据。 包含十个数据集，前六个为训练数据集，后四个为测试数据集。 每个数据集均包含以灰度8位PNG格式保存的1000个“无缺陷”图像和150个“有缺陷”图像。每个数据集由不同的纹理模型和缺陷模型生成。 “无缺陷”图像显示的背景纹理没有缺陷，...
转载 - 几种表面缺陷检测数据集
weixin_41068770的博客
04-24 3563
1、德国DAGM 2007的数据集 总共十类图像，有训练集和测试集，几种样例如下： 官方网址：https://hci.iwr.uni-heidelberg.de/node/3616 网盘下载： 链接：https://pan.baidu.com/s/1CHrH1tZ-B6kvi8U7--isaw 提取码：47jo 2、钢材表面缺陷 这个数据集是东北大学一个老师收集的，分为三个数据...
Pytorch-YOLOv3-DAGM2007缺陷检测
孙权打的博客
07-08 7435
前言 最近一直在研究深度学习去实现缺陷检测，在CSDN中看到了大神的博客《tiny YOLO v3做缺陷检测实战》，他用的是TensorFlow+Keras框架。 https://blog.csdn.net/qq_27871973/article/details/85009026 当我照着做的时候，TensorFlow死活报各种Error。经历了各种升级降级包库，删了又装，装了又删的折磨后，决定转战pytorch。因为大神说YOLO v3做DAGM的数据集效果很好，所以我还是想用YOLO v3模型。搜
Dagm数据集转换为VOC格式
最新发布
Finddog的博客
08-07 139
Dagm数据集转换为VOC格式
DAGM2007数据集转换成VOC格式
Levi的博客
03-26 4405
DAGM2007数据集-to-缺陷数据集VOC格式DAGM2007数据集下载数据集简单介绍转换代码转换结果 DAGM2007数据集下载 链接: DAGM2007. 下载后把每一类的压缩包解压放到文件夹，文件路径放成这样： raw_dataset\ Class1\ Train\ -Test\ Class2\ Train\ -Test\ … 数据集简单介绍 DAGM2007数据集...
pytorch-yolov3-DAGM
07-08
基于Pytorch的YOLO v3做缺陷检测，包含全部代码和数据集。详细内容参考 https://blog.csdn.net/cheweng4363/article/details/107199141
CrackForest数据集
12-19
包含151张道路裂缝图像及其Ground Truth，均为图像格式。
钢板表面缺陷数据集(铝型材和德国DAGM数据集混合制作，使用了高斯噪声扩充数据集)
05-01
4.该数据集由铝型材数据集和德国DAGM数据集混合制作，铝型材数据集有10个类别，选择上述三类，德国DAGM数据集也有10个类别，选取其中上述三个类别。 5.部分标签文件手工标注 6.共4282张jpg图片和其对应的4282个xml...
Surface-defect-Detection-dataset
05-11
读研期间遇到的一些缺陷检测的图像，在此做一个表面缺陷数据集汇总，**感谢加星！**可从CSDN阅读： 1、德国DAGM 2007的数据集 总共十类图像，有训练集和测试集，部分样例如下： 数据官方网址： 网盘下载： 链接： ...
10个开源工业检测数据集汇总
idol24的博客
02-10 3182
在大批量的工业自动生产中，用人工进行质量检测的效率低且精度不高，因此深度学习方法正逐步的取代人工的岗位。本文收集整理了十个工业检测相关的数据集，并附有下载链接。本文来自：极市平台在大批量的...
几种表面缺陷检测数据集
热门推荐
庆志的小徒弟
12-12 5万+
1、德国DAGM 2007的数据集 总共十类图像，有训练集和测试集，几种样例如下： 官方网址：https://hci.iwr.uni-heidelberg.de/node/3616 网盘下载： 链接：https://pan.baidu.com/s/1CHrH1tZ-B6kvi8U7--isaw 提取码：47jo 2、钢材表面缺陷 这个数据集是东北大学一个老师收集的，分为三个数据...
缺陷检测论文回顾（一）
庆志的小徒弟
03-19 1万+
前言：把以前刷的一些和基金相关的文章，年前这几周，分批次回顾一下。 [1] A fast and robust convolutional neural network-based defect detection model in product quality control 2017年7月的一篇杂志文章。作者使用一个多层的CNN网络对DAGM2007数据集中的六类缺陷样本进行分类，分类结...
如何使用深度学习进行缺陷检测
小白学视觉
04-25 1708
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达机器学习自动检测异常已成为一个有着高度直接影响的有趣且具有潜力的研究领域，特别是在视觉检测领域。深度学习技术已成为此任务的最佳方法。深度学习技术可以通过训练图像数据集来提供一个可以检测表面异常的模型。DAGM数据集中不同背景纹理上的表面缺陷介绍在一些工业中，通过SEM/EDX检查表面或检查材料中的杂质是质量控制的一步。通常，这个...
对DAGM进行缺陷检测的python代码
06-06
好的，以下是一个使用 TensorFlow 对 DAGM 数据集进行缺陷检测的 Python 代码示例： ```python import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # 加载数据集 train_data = np.load('dagm_train_data.npy') train_labels = np.load('dagm_train_labels.npy') test_data = np.load('dagm_test_data.npy') test_labels = np.load('dagm_test_labels.npy') # 创建模型 model = tf.keras.Sequential([ tf.keras.layers.Conv2D(16, (3, 3), activation='relu', input_shape=(128, 128, 1)), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Conv2D(32, (3, 3), activation='relu'), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Conv2D(64, (3, 3), activation='relu'), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(64, activation='relu'), tf.keras.layers.Dense(1, activation='sigmoid') ]) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 训练模型 history = model.fit(train_data, train_labels, epochs=10, batch_size=32, validation_data=(test_data, test_labels)) # 评估模型 loss, accuracy = model.evaluate(test_data, test_labels) print('Test accuracy:', accuracy) # 绘制训练和验证准确率曲线 plt.plot(history.history['accuracy'], label='accuracy') plt.plot(history.history['val_accuracy'], label='val_accuracy') plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.ylim([0.5, 1]) plt.legend(loc='lower right') plt.show() ``` 在这个例子中，我们使用了 DAGM 数据集来训练和测试模型。我们创建了一个包含三个卷积层和两个全连接层的神经网络，并使用了 relu 激活函数和二进制交叉熵损失函数来训练模型。训练数据和测试数据都以 numpy 数组的形式加载，并保存在 npy 文件中。在训练过程中，我们使用了验证数据来检查模型的泛化能力。最后，我们评估了模型的准确性，并绘制了训练和验证准确率曲线。请注意，这只是一个简单的示例代码，实际上您需要根据您的具体问题来调整模型的架构和参数。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值