钢铁缺陷检测挑战赛

最新推荐文章于 2024-07-16 21:23:29 发布

无敌三角猫

最新推荐文章于 2024-07-16 21:23:29 发布

阅读量1k

点赞数

文章标签： paddlepaddle 深度学习人工智能

本文链接：https://blog.csdn.net/fightingforcv/article/details/121778330

版权

钢铁缺陷检测挑战赛

网址：https://aistudio.baidu.com/aistudio/competition/detail/114/0/introduction

1.比赛介绍

1.1练习赛简介

飞桨（PaddlePaddle）以百度多年的深度学习技术研究和业务应用为基础，是中国首个自主研发、功能丰富、开源开放的产业级深度学习平台。

飞桨练习赛由百度飞桨于 2019 年发起，面向全球 AI 开发者，旨在通过发布AI细分领域的经典比赛项目，为开发者提供学习锻炼机会，助力大家快速入门深度学习，持续积累技术经验，逐步实现技能提升。

参赛选手需使用飞桨框架，基于特定赛题下的真实行业数据完成并提交任务。

1.2赛题介绍

缺陷检测技术广泛应用于工业场景，比如汽车制造中的车身表面缺陷检测，零件外观缺陷检测，工件裂纹检测等。其中，金属表面缺陷识别技术的应用可以在生产及制造阶段的质量控制方面发挥重要作用。

本次比赛为图像目标识别比赛，要求参赛选手基于给定图像建立模型，识别出钢铁表面出现缺陷的位置，并给出锚点框的坐标，同时对不同的缺陷进行分类。通过本次比赛，我们希望看到各种泛化性能更好且更稳定的钢铁表面缺陷识别模型，您的工作也将为传统钢铁产业生产效率的提升做出重要贡献。

1.3赛程赛制

（1）飞桨练习赛面向全社会公开报名，直至赛题下线；

（2）飞桨练习赛不设初赛、复赛，以每位参赛选手提交的最优成绩排名；
（3）比赛期间选手每天最多可提交 5 次作品（预测结果+原始代码），系统自动选取最高成绩作为榜单记录；
（4）榜单排名前10 且通过代码复查的选手可获得由百度飞桨颁发的荣誉证书；
（5）鼓励选手报名多个主题的飞桨练习赛和飞桨常规赛，以赛促学，全方面提升开发者的深度学习能力。

1.4 参赛方式

本次比赛面向全社会开放，不限年龄、身份、国籍，相关领域的个人、高等学校、科研机构、企业单位、初创团队等人员均可报名参赛。

1.5参赛要求

（1）仅支持个人参赛（组队功能上线后对本条规则无影响）；
（2）参赛选手报名必须保证提供的个人信息真实、准确、有效。如发放奖金或礼品时发现选手填写的报名信息与个人身份不相符，组委会将保留停止发放奖金或礼品的权利；
（3）本次比赛要求选手使用 飞桨 PaddlePaddle 2.0 及以上版本 生成端到端深度学习模型，所有参赛选手可无限使用 AI Studio 平台提供的训练资源；
（4）参赛队伍命名中不可出现 “飞桨官方”，“Paddle官方”，“官方baseline” 等字样，否则成绩自动取消。

1.6 参赛报名

（1）注册百度账号并登录 “百度飞桨 AI Studio”—“比赛”—“新人练习赛”—“XXX” 路径报名。若已有百度账号，只需在线完善相关信息即可完成报名；
（2）百度飞桨 AI Studio 是基于百度深度学习平台飞桨的一站式 AI 开发实训平台，提供在线编程环境、免费 GPU 算力、海量开源算法和开放数据，帮助开发者快速创建和部署模型。登录 AI Studio 查看更多内容。

1.7 免费算力

百度飞桨 AI Studio 为选手提供了免费的Tesla V100 GPU算力：

（1）每日登录送算力。每天登录 AI Studio 并运行 Notebook 项目，当天即送8点GPU算力(每天最多16h，每周最多112h，当天有效)。点击学习后台任务运行教程；
（2）完成新手引导获算力。新用户点击完成简单四步操作，即可领取 100 点 GPU 算力(最多200h，有效期90天)，每个ID仅一次机会；
（3）分享好友赢算力。点击 “个人主页”—“算力卡管理”—“分享赢算力”，即可通过邀请好友获得10点GPU算力(最多20h)。

2.赛题说明

2.1 赛题介绍

本次比赛为图像目标识别比赛，要求参赛选手基于给定图像建立模型，识别出钢铁表面出现缺陷的位置，并给出锚点框的坐标，同时对不同的缺陷进行分类。通过本次比赛，我们希望看到各种泛化性能更好且更稳定的钢铁表面缺陷识别模型，您的工作也将为传统钢铁产业生产效率的提升做出重要贡献。

2.2 数据集介绍

本数据集来自NEU表面缺陷检测数据集，收集了6种典型的热轧带钢表面缺陷，即氧化铁皮压入(RS)、斑块(Pa)、开裂(Cr)、点蚀(PS)、夹杂(In)和划痕(Sc)。

下图为六种典型表面缺陷的示例，每幅图像的分辨率为200 * 200像素。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-B7xIgiay-1638881036117)(C:\Users\whd\AppData\Roaming\Typora\typora-user-images\image-20211207201438763.png)]

从图中可以清楚地看出，不同类别的缺陷之间存在差异，比如斑块、开裂、****点蚀等；相同类别的缺陷内部也存在差异，比如划痕缺陷，可以是水平划痕、垂直划痕、倾斜划痕等。此外，由于受到光照和材料变化的影响，相同缺陷类别的图像，灰度也可能不同。

2.3数据说明

本赛题数据集提供了缺陷类别和位置标注。

下图为缺陷检测结果示例。对于每个缺陷，黄色框代表位置的边界框，蓝色标签是类别分数。

数据来源：http://faculty.neu.edu.cn/yunhyan/NEU_surface_defect_database.html

特别感谢：东北大学宋克臣教授为本次比赛提供可开放使用的表面缺陷检测数据集

3.提交结果

3.1 提交方式

1.请上传结果文件

2.若有工作人员联系您上传源文件，才需上传

3.2 提交内容及格式

结果文件命名：submission.csv（否则无法成功提交）
结果文件格式：.csv（否则无法成功提交）
结果文件内容：submission.csv结果文件需包含多行记录，每行包括4个字段，内容示例如下

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aAN4FHRQ-1638881036118)(C:\Users\whd\AppData\Roaming\Typora\typora-user-images\image-20211207201804913.png)]

各字段含义如下：

image_id(int): 图片id
bbox(list[float]): 检测框坐标(XMin, YMin, XMax, YMax)
category_id: 缺陷所属类别(int)，类别对应字典为:{‘ crazing’:0,’inclusion’:1, ’pitted_surface’:2, ,’scratches’:3,’patches’:4,’rolled-in_scale’:5}
confidence(float): 置信度

备注： 每一行记录1个检测框，并给出对应的category_id；同张图片中检测到的多个检测框，需分别记录在不同的行内。

3.3 提交方式

结果文件提交：选手需点击本页面上方的**「结果文件」按钮框**，提交**.csv格式** 的结果文件。平台在线评分，并实时排名；
毎个参赛队伍每天最多可以提交5次在线评测，提交额度用尽后，当日无法再提交；
参赛者历史提交结果将在本页下方展示，但排行榜页内仅显示该参赛者历史最佳成绩（如果新提交结果好于之前提交结果，该参赛者在排行榜中成绩将自动进行更新覆盖。反之，排行榜中成绩保持不变）。

3.4 提交注意事项

本次比赛要求参赛者必须使用飞桨（PaddlePaddle）深度学习框架训练的模型提交结果；
自动评审规则：每支队伍每天参与评测的提交次数不超过5次，排行榜将按照评测分数从高到低排序，并且实时更新。排行榜中只显示每支队伍历史提交结果的最高成绩，各支队伍可在提交结果页面的个人成绩中查看历史提交记录。