【数据科学赛】2024年工业缺陷识别创新挑战赛 #¥25,000 #和鲸社区 #计算机视觉 #智能制造

钢铁缺陷检测挑战赛 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 阅读详情

CompHub[1] 最新的比赛会第一时间在群里通知,欢迎加群交流比赛经验!(公众号回复“加群”即可)


根据比赛主页[2](文末阅读原文),使用AI辅助生成

Part1工业缺陷识别创新挑战赛

比赛题目

  • 工业缺陷识别创新挑战赛

比赛主办方

  • 和鲸社区

比赛背景

随着工业自动化和智能制造的发展,对高效、可靠的缺陷检测技术的需求日益增长。工业缺陷的智能识别在提高产品质量和生产效率方面发挥着关键作用。机器视觉作为智能制造的关键技术之一,通过自动接收和处理实物图像,提供了一种有效的替代人工视觉检测的方法。这不仅提高了检测效率和自动化程度,还增强了检测的实时性和准确性。本次工业缺陷识别创新挑战赛旨在激发更多创新思维,促进先进技术的研发和应用,推动工业自动化和智能制造发展。

比赛关键词

  • 计算机视觉

  • 工业自动化

  • 智能制造

  • 缺陷检测

  • 机器视觉

  • 图像处理

比赛时间安排

  • 初赛:2024年1月2日至2024年1月31日

  • 决赛:2024年2月9日至2024年2月19日

比赛奖项设置

  • 奖金设置:本次大赛共设20个奖项,奖金共计¥25,000元人民币。
    • 一等奖:1支队伍,每支队伍总金额(税前)¥12,000

    • 二等奖:2支队伍,每支队伍总金额(税前)¥5,000

    • 三等奖:3支队伍,每支队伍总金额(税前)¥1,000

    • 优胜奖:14支队伍,每支队伍总金额(税前)未明确

  • 特殊贡献奖:设立总金额¥50,000的特殊贡献大奖,颁发给在本赛题上发挥独特创意,提出创新算法方案的团队。

  • 招聘绿色通道:所有晋级决赛的团队成员均可获得合作单位的面试直通卡,免筛简历,免笔试,直通复试。

  • 项目合作与创业孵化:对于技术能力扎实,创新力强,有商业潜力的团队,可提供项目合作机会或创业孵化支持。

赛题题目详情

  • 赛题描述:基于工业量测数据的产品缺陷识别。参赛者需要使用机器学习、深度学习等算法模型预测样本的缺陷类型。

  • 数据说明:
    • 数据开放:训练数据、A榜测试数据和B榜测试数据分阶段开放。

    • 数据格式:csv表格文件,包含横坐标X,纵坐标Y和测量值Value。

    • 缺陷分类:缺陷分为五类,按优先级从高到低排列为:A,B,C,D,E。

    • 结果提交:提交带有表头的csv文件,命名为submission.csv,表头字段分别为fileName和defectType。

  • 数据下载:初赛数据可通过提供的链接下载。

参考资料

[1] 

CompHub: https://comphub.notion.site/CompHub-c353e310c8f84846ace87a13221637e8

[2] 

比赛主页: https://www.heywhale.com/home/competition/6572c4e2fef3ff680622dddd/content/0

缺陷检测论文回顾(一) 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... 阅读详情

相关推荐

几种表面缺陷检测数据集

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...

庆志的小徒弟 5万+

缺陷检测比赛Top3方案分享

点击上方“CVer”,选择加"星标"置顶重磅干货,第一时间送达本文转载自:AI约读社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...

阿木寺的博客 2520

天池竞赛-布匹缺陷检测baseline提升过程-给yolov5模型添加注意力机制

这次比赛选择了官方提供的baseline yolov5进行训练,一开始使用的是yolov5s.yml配置文件进行训练的,并且数据也只是train2一小部分,由于笔者这里服务器只有一个1080Ti的可以使用,所以实验跑起来速度还是有点慢的,做的尝试也不是很多,下面是流水账。 第一次提交就是使用了train2部分数据集,设置了50个epoch,使用迁移学习,分辨率设置为500x500,花费大概2个小时训练完成。这个成绩的acc还不错,是因为conf thresh设置的值比较低,所以acc可以达到比较高的结果。

pprp的博客 1万+

钢板缺陷识别-机器视觉案例-Kaggle比赛

GitHub - PaddlePaddle/awesome-DeepLearning: 深度学习入门课、资深课、特色课、学术案例、产业实践案例、深度学习知识百科及面试题库The course, case and knowledge of Deep Learning and AI 以上为原文地址 钢材缺陷检测项目案例 钢材缺陷检测项目案例 一、项目简介 二、 数据集分析 2.1 读取和分析文本数据 2.2 读取和分析图像数据

weixin_46614841的博客 8847

aistudio 常规赛:钢铁缺陷检测挑战赛 经验总结,轻松复现map 47排名再度提升

博主通过一些列无脑探索,终于将map得分从3刷新到46,实现排名第8,具体细节可以查看(https://hpg123.blog.youkuaiyun.com/article/details/126316925),博主的实际尝试路径比以上更多,只是有些尝试没有涨点,且离写博客的日子有些远,加上上班时间零碎,所以没有能把每一次尝试都写在里面。在这里刻意对比赛经验进行总结,基于单模型轻松实现map 47,再度实现排名上升。

a486259的博客 2346

汇总|缺陷检测数据集

作者:Tom Hardy Date:2020-01-06 来源:汇总|缺陷检测数据集 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数据集介绍: 主要针对纹理背景上的杂项缺陷。 较弱监督的训练数据。 包含是个数据集,前六个为训练数据集,后四个为测试数据集。每个数据...

3D视觉工坊 4909

工业质检“火眼金睛”上线,缺陷漏洞一网打尽(高校开发者作品)

2024高通边缘智能创新应用大赛共甄选出 36 个卓越项目,以下为工业智能质检赛道高校开发者的优秀项目分享。

AidLux的博客 1190

NFS共享速度慢?麒麟系统性能调优5个关键参数实测对比

本文针对银河麒麟服务器系统上NFS共享速度慢的问题,通过实测对比分析了五个关键调优参数。重点探讨了rsize/wsize传输块大小、TCP/UDP协议选择、sync/async模式权衡等,并结合麒麟系统特性提供了具体的优化建议与配置示例,旨在帮助用户有效提升国产化环境下的文件共享性能。

weixin_29254029的博客 332

yolov5的工业缺陷检测

比赛介绍 工业缺陷检测是当前深度学习落地的热门项目,其中瓷砖生产过程中的“质量检测环节”需要检测出瓷砖表面的瑕疵,目前比较依赖于人工,效果和效率都层次不齐。 最近天池上线的广东工业赛事针对瓷砖表面瑕疵进行智能检测,要求选手们相应的算法,尽可能快与准确的给出瓷砖疵点具体的位置和类别,主要考察疵点的定位和分类能力。 在本篇文章中,主要为大家介绍选择yolov5作为基线的方案,供大家参考。 基于yolov5的方案 线上结果: 切成 640x640 滑动窗口预测,耗时<1.5 h, 平均一

爱CV 4268

光纤布拉格光栅(FBG)笔记【1】:波导结构和布拉格波长推导

引言 本文是光纤布拉格光栅(FBG)的笔记【1】,主要介绍了光纤布拉格光栅的波导结构,并且利用动量和能量守恒推导了光纤布拉格波长的表达式 普通光纤中让折射率发生周期性变化就是结构最简单的均匀光纤布拉格光栅(FBG),其波导结构如下图所示。 其传感原理描述可以分为以下的三点: ①光纤纤芯传播的光会在每个光栅面进行反射和透射; ②如果不满足布拉格条件,依次排列的光栅平面反射的光会逐渐变得不同直到最后相互抵消;同时由于系数不匹配,与布拉格波长不相符的光在每个光栅平面的反射也很微弱,这些光大部分在光纤中发生透.

subtitle_的博客 2万+

别让你的URDF模型在Gazebo里‘躺平’:手把手教你配置libgazebo_ros_diff_drive插件让两轮小车动起来

本文详细解析了如何在Gazebo中配置libgazebo_ros_diff_drive插件,使两轮小车模型实现动态仿真。从URDF模型到传动装置,再到差速驱动插件的精细调参,手把手教你解决机器人‘躺平’问题,提升ROS1与Gazebo仿真的实战能力。

weixin_42552716的博客 333

目标检测应用竞赛 | 天池铝型材表面瑕疵(含数据集、详细解决方案)

点击上方“AI算法修炼营”,选择加星标或“置顶”标题以下,全是干货目标检测应用竞赛——天池铝型材表面瑕疵数据集下载链接:https://tianchi.aliyun.com/compet...

AI算法修炼营的博客 1万+

保姆级教程:在RV1126开发板上跑通YOLOv5口罩检测(从数据集到摄像头实时识别)

本文提供了一份详细的RV1126开发板部署YOLOv5口罩检测系统的全流程指南,涵盖数据集准备、模型训练优化、边缘部署及实时摄像头识别等关键步骤。重点解析了RV1126开发板的性能特征、YOLOv5模型训练调优技巧、RKNN模型转换量化策略,以及部署过程中的性能优化方案,帮助开发者高效实现边缘端目标检测应用。

weixin_27310985的博客 106

缺陷检测比赛方案记录

天池智能算法赛:瓷砖表面瑕疵质检 比赛链接:https://tianchi.aliyun.com/competition/entrance/531846/introduction kaggle 钢材表面缺陷检测 比赛链接????:https://www.kaggle.com/c/severstal-steel-defect-detection 1.图像分布 存在的问题:(1)类别不均衡 2.图像大小 1600 *256 无缺陷图像 类别1类别3 一张图像包含多个类...

越努力,越幸运 1750

YOLOv8与Swin Transformer的完美结合:如何提升目标检测的精度与速度

Swin Transformer(Shifted Window Transformer)是一种新型的视觉Transformer架构,采用了局部窗口(Window)和局部窗口偏移(Shifted Window)的策略,极大减少了计算复杂度,同时保持了全局感知能力。局部窗口注意力:每个窗口内的元素进行自注意力计算,减少计算量。窗口偏移:通过在不同层次引入窗口偏移,增强了全局信息的交互。层级设计:通过堆叠多个层次的模块,逐渐捕捉不同尺度的特征。

shrgegrb的博客 2149

【RT-DETR有效改进】利用EMAttention加深网络深度提高模型特征提取能力(特征选择模块)

本文给大家带来的改进机制是EMAttention注意力机制,它的核心思想是,重塑部分通道到批次维度,并将通道维度分组为多个子特征,以保留每个通道的信息并减少计算开销。EMA模块通过编码全局信息来重新校准每个并行分支中的通道权重,并通过跨维度交互来捕获像素级别的关系。本文改进是基于ResNet18、ResNet34、ResNet50、ResNet101,文章中均以提供,本专栏的改进内容全网独一份深度改进RT-DETR非那种无效Neck部分改进,

Snu77的博客 3167

2021广东工业智造创新大赛-瓷砖瑕疵检测方案

本赛场聚焦瓷砖表面瑕疵智能检测,提升瓷砖表面瑕疵质检的效果和效率。这边用Paddle提供一个基于FasterRCNN的方案。

m0_63642362的博客 3023

Python 爬虫实战:华尔街见闻精选文章爬取(反反爬 + 投资情绪分析)

Python 爬虫实战:华尔街见闻精选文章爬取(反反爬 + 投资情绪分析)

yansideyucsdn的博客 969

从0梳理1场CV缺陷检测赛事!

↑↑↑关注后&#34;星标&#34;Datawhale每日干货&每月组队学习,不错过Datawhale干货作者:江保祥,厦门大学一、布匹缺陷检测比赛分析1. 赛题背景去年的...

Datawhale 625

LLaMA-Factory微调教程5:多模态VLM模型对话

视觉-语言模型(VLM)概述与应用 视觉-语言模型(VLM)是一类结合视觉和语言信息的人工智能模型,旨在实现跨模态的理解与交互。其核心目标包括跨模态理解和生成能力,关键技术涉及模态表示与映射、多模态预训练以及跨模态交互机制。 典型VLM模型包括: CLIP:通过对比学习实现图像和文本的向量空间对齐 BLIP:结合自监督和弱监督学习提升语义对齐 ALBEF:基于BERT结构扩展跨模态注意力 DALL-E系列:基于文本生成图像的生成式模型 CLIP4Clip:扩展CLIP到视频领域 VLM在图像/视频检索、视觉

Cachel Wood的博客 1113

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

基于yolov5的工业缺陷检测方案

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Datawhale干货作者:limzero,西安交通大学,Datawhale原创作者比赛介绍工业缺陷检测是当前深度学习落地的热门项目,其中瓷砖生产过程中的“质量检测环节”需要检测出瓷砖表面的瑕疵,目前比较依赖于人工,效果和效率都层次不齐。最近天池上线的广东工业赛事针对瓷砖表面瑕疵进行智能检测,要求选...

小白学视觉 1624

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

深度学习在工业缺陷检测应用中的一些思考

深度学习在安防、智慧城市、自动驾驶等领域已经落实应用,在工业缺陷检测方面,深度学习也是一个必然趋势,但仍然有很长一段路要走,这篇博文记录博主关于深度学习在工业缺陷检测应用中的一些思考。 工业领域与其他领域的区别 这里的工业领域独指工业制造相关,特别是工业缺陷检测相关方面的,其他领域则包含上述的安防、智慧城市、自动驾驶等。从模型、数据、部署三方面来看,这两者的主要区别在于: (1)、在视觉应用...

gechengweisky的专栏 5548

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

表面缺陷检测数据集汇总及其相关项目推荐

点击上方“AI算法修炼营”,选择“星标”公众号精选作品,第一时间送达最近,有许多朋友都在关注缺陷检测领域,今天来看看缺陷检测。目前, 基于机器视觉的表面 缺陷装备已经在各工业领域广泛替代...

AI算法修炼营的博客 7774

练习赛 钢铁缺陷检测挑战赛

练习赛 钢铁缺陷检测挑战赛

m0_63642362的博客 550

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智能算法赛:瓷砖表面瑕疵质检智能算法赛以“瓷砖表...

3D视觉工坊 2121
上一篇: 【12月比赛合集】4场可报名的「创新应用」、「数据分析」和「程序设计」大奖赛,任君挑选!
下一篇: 【OJ比赛日历】快周末了,不来一场比赛吗? #01.06-01.12 #10场
CompHub
博客等级 码龄4年 365粉丝 117原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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