本文分析了2018年天池铝型材表面瑕疵识别比赛的冠军、亚军和季军方案，分享了参赛思路和获奖团队的改进方法，包括特征金字塔、可变形卷积、Contextual ROI Pooling、Focal Loss等技术在解决小目标检测和网络泛化能力问题上的应用。同时提到，数据增强和多尺度训练是提高模型性能的关键策略。
工业缺陷检测是当前深度学习落地的热门项目，近年来许多的比赛平台都举办了关于缺陷检测的比赛，如kaggle前不久举办的钢铁缺陷检测，以及天池刚刚开始的智能算法赛：瓷砖表面瑕疵质检。本文转载自：AI约读社
注1：文末附【缺陷检测】交流群
注2：点赞的人暴富，论文多多！
该比赛刚刚开始有兴趣的小伙伴可以报名参加。
我调研了2018年天池的铝型材表面瑕疵识别比赛的获奖方案。从别的人方案学习到该领域相关的知识和有效的技巧。
这里分享一下一般参加比赛的思路：找开源检测框架→数据增强→调参→小改网络→调参→小改网络→调参->测试增强
一、铝型材表面瑕疵识别
赛题介绍
时间：2018年9月1日
比赛链接：[飞粤云端2018]广东工业智造大数据创新大赛-智能算法赛-天池大赛-阿里云天池tianchi.aliyun.com
比赛背景：在铝型材的实际生产过程中，由于各方面因素的影响，铝型材表面会产生裂纹、起皮、划伤等瑕疵，这些瑕疵会严重影响铝型材的质量。为保证产品质量，需要人工进行肉眼目测。然而，铝型材的表面自身会含有纹路，与瑕疵的区分度不高。传统人工肉眼检查十分费力，不能及时准确的判断出表面瑕疵，质检的效率难以把控。
数据介绍：数据集包含4356张铝型材表面图片，包含单瑕疵图片，多瑕疵图片，无瑕疵图片，用于参赛者设计图像识别算法。图片所含瑕疵类型总计10种，分别为ÿ
最低0.47元/天 解锁文章
1774
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
