缺陷检测比赛方案记录

Severstal: Steel Defect Detection竞赛   该篇博客主要分析别人的代码做个记录,为之后的自己的代码做个借鉴,使用tensorflow2,我想说比原来简单多了。 https://www.kaggle.com/ekhtiar/resunet-a-baseline-on-tensorflow 竞赛介绍   这个竞赛主要目的是定位和分类钢板表面缺陷,属于语义分割问题。   扁钢的生产工艺特别精细。从加热和轧制,到干燥和切割,几台机器在扁钢准备装... 阅读详情

 

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别

 

 

天池比赛:铝型材表面瑕疵识别

比赛链接🔗:https://tianchi.aliyun.com/competition/entrance/231682/information

top3方案解读:https://mp.weixin.qq.com/s/qqv12LyAvM5m8nAoe2ELrw

top1方案解读: https://zhuanlan.zhihu.com/p/50548998


top1方案分享

 

 

 

 

 


 方案1分享

类别分布不均匀,类别尺寸变化较大,

网络框架,增加了一类无瑕疵图像的检测 

多阶段训练 

 

改进Cascade RCNN

 

 


方案2分享 

 

 

 

 

 

 

 

 

 

 


方案3分享

 

 

 


方案4分享

 

方案5分享

 

 

 

从Severstal竞赛看工业缺陷检测:基于TensorFlow2的语义分割实战解析 本文以Kaggle Severstal钢铁缺陷检测竞赛为切入点,深入解析了基于TensorFlow 2.x的工业缺陷检测实战。文章详细介绍了语义分割任务中RLE编码的处理、针对工业数据定制的DataGenerator构建、ResUNet模型的设计原理,并重点探讨了应对类别不平衡的损失函数(如Focal Tversky Loss)以及提升模型性能的后处理技巧,为从竞赛到实际工业部署提供了完整的技术路径。 阅读详情

相关推荐

钢材表面缺陷检测实战:基于语义分割与数据增强的工业视觉方案

工业视觉领域中,表面缺陷检测是质检自动化的重要环节,其核心挑战往往不在模型结构,而在于数据分布极度不均衡、缺陷目标微小且形态多变。语义分割技术通过像素级分类,能够精确划分出缺陷区域,相比目标检测更适用于多个缺陷类别共存且允许重叠的场景。U-Net与FPN结合的编码解码结构,配合ResNet预训练骨干,可在有限计算资源下高效捕捉多尺度特征。针对缺陷样本占比极低的问题,合理设计类别采样、随机裁剪、缺陷中心裁剪等数据增强策略,并结合BCE与Dice组合损失函数,能显著提升小目标召回率。在推理阶段引入滑动窗口、TT

weixin_33309048的博客 272

【图像处理】缺陷检测-Defect Eye缺陷检测附python代码.zip

1.版本:matlab2014/2019a/2021a,内含运行结果,不会运行可私信 2.领域:智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,更多内容可点击博主头像 3.内容:标题所示,对于介绍可点击主页搜索博客 4.适合人群:本科,硕士等教研学习使用 5.博客介绍:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可si信 %% 开发者:Matlab科研助手 %% 更多咨询关注天天Matlab微信公众号 ### 团队长期从事下列领域算法的研究和改进: ### 1 智能优化算法及应用 **1.1 改进智能优化算法方面(单目标和多目标)** **1.2 生产调度方面** 1.2.1 装配线调度研究 1.2.2 车间调度研究 1.2.3 生产线平衡研究 1.2.4 水库梯度调度研究 **1.3 路径规划方面** 1.3.1 旅行商问题研究(TSP、TSPTW) 1.3.2 各类车辆路径规划问题研究(vrp、VRPTW、CVRP) 1.3.3 机器人路径规划问题研究 1.3.4 无人机三维路径规划问题研究 1.3.5 多式联运问题研究 1.3.6 无人机结合车辆路径配送 **1.4 三维装箱求解** **1.5 物流选址研究** 1.5.1 背包问题 1.5.2 物流选址 1.5.4 货位优化 ##### 1.6 电力系统优化研究 1.6.1 微电网优化 1.6.2 配电网系统优化 1.6.3 配电网重构 1.6.4 有序充电 1.6.5 储能双层优化调度 1.6.6 储能优化配置 ### 2 神经网络回归预测、时序预测、分类清单 **2.1 bp预测和分类** **2.2 lssvm预测和分类** **2.3 svm预测和分类** **2.4 cnn预测和分类** ##### 2.5 ELM预测和分类 ##### 2.6 KELM预测和分类 **2.7 ELMAN预测和分类** ##### 2.8 LSTM预测和分类 **2.9 RBF预测和分类** ##### 2.10 DBN预测和分类 ##### 2.11 FNN预测 ##### 2.12 DELM预测和分类 ##### 2.13 BIlstm预测和分类 ##### 2.14 宽度学习预测和分类 ##### 2.15 模糊小波神经网络预测和分类 ##### 2.16 GRU预测和分类 ### 3 图像处理算法 **3.1 图像识别** 3.1.1 车牌、交通标志识别(新能源、国内外、复杂环境下车牌) 3.1.2 发票、身份证、银行卡识别 3.1.3 人脸类别和表情识别 3.1.4 打靶识别 3.1.5 字符识别(字母、数字、手写体、汉字、验证码) 3.1.6 病灶识别 3.1.7 花朵、药材、水果蔬菜识别 3.1.8 指纹、手势、虹膜识别 3.1.9 路面状态和裂缝识别 3.1.10 行为识别 3.1.11 万用表和表盘识别 3.1.12 人民币识别 3.1.13 答题卡识别 **3.2 图像分割** **3.3 图像检测** 3.3.1 显著性检测 3.3.2 缺陷检测 3.3.3 疲劳检测 3.3.4 病害检测 3.3.5 火灾检测 3.3.6 行人检测 3.3.7 水果分级 **3.4 图像隐藏** **3.5 图像去噪** **3.6 图像融合** **3.7 图像配准** **3.8 图像增强** **3.9 图像压缩** ##### 3.10 图像重建 ### 4 信号处理算法 **4.1 信号识别** **4.2 信号检测** **4.3 信号嵌入和提取** **4.4 信号去噪** ##### 4.5 故障诊断 ##### 4.6 脑电信号 ##### 4.7 心电信号 ##### 4.8 肌电信号 ### 5 元胞自动机仿真 **5.1 模拟交通流** **5.2 模拟人群疏散** **5.3 模拟病毒扩散** **5.4 模拟晶体生长** ### 6 无线传感器网络 ##### 6.1 无线传感器定位 ##### 6.2 无线传感器覆盖优化 ##### 6.3 室内定位 ##### 6.4 无线传感器通信及优化 ##### 6.5 无人机通信中继优化 #####

广东电网识别挑战赛赛道三亚军方案:电力缺陷检测全流程解析

目标检测是计算机视觉的核心任务,其原理是通过边界框定位与分类实现场景理解。在电力巡检中,小目标、类别不均衡和背景干扰等挑战尤为突出,直接影响缺陷识别精度。基于YOLO等检测框架,结合多尺度特征融合与损失函数优化,可显著提升绝缘子破损、金具锈蚀等细粒度缺陷的检测效果。此类技术已广泛应用于无人机巡检与固定摄像头监控场景。本文以广东电网识别挑战赛赛道三亚军方案为例,详细拆解从数据清洗、backbone选型到TTA推理的完整检测流水线,并分享避坑经验与产线部署优化策略。

weixin_34032792的博客 334

基于深度学习的钢铁表面缺陷智能检测与分类系统_提供从数据预处理到模型训练再到部署推理的完整解决方案_支持单张图片和批量图片的自动缺陷识别与分类_可检测麻点龟裂划痕斑块等多种缺陷类型.zip

基于深度学习的钢铁表面缺陷智能检测与分类系统_提供从数据预处理到模型训练再到部署推理的完整解决方案_支持单张图片和批量图片的自动缺陷识别与分类_可检测麻点龟裂划痕斑块等多种缺陷类型.zip

基于MATLAB的齿轮缺陷检测:从图像处理到SVM分类

在工业制造场景中,基于机器视觉的缺陷检测技术正逐步替代人工目检,成为产线质量管控的关键手段。其核心原理是通过图像采集、预处理、分割与特征工程,将缺陷形态转化为可量化的数字指标,再借助机器学习模型实现自动分类与判定。本文从图像去噪、对比度增强、ROI提取等基础环节切入,系统阐述形态学差分与边缘梯度分析在齿轮缺齿、崩角、裂纹及磨损检测中的应用,并结合灰度共生矩阵与区域几何特征,展示如何用SVM构建高效分类器。通过MATLAB工具链完成从数据集标注、特征标准化到模型训练部署的完整流程。内容兼顾算法原理与工程实践,

weixin_31236101的博客 275

钢铁缺陷检测实战:RLE编码与Dice系数在语义分割中的关键作用

语义分割是计算机视觉中的核心任务之一,旨在对图像逐像素进行分类,广泛应用于工业质检、医学影像和自动驾驶等场景。在工业表面缺陷检测中,模型不仅需要识别缺陷是否存在,还要精确输出像素级掩码。Dice系数作为衡量预测掩码与真实掩码重叠度的常用指标,对边界精度高度敏感,是评估分割质量的重要依据。而RLE编码作为一种高效的掩码表示方式,能够显著压缩存储空间并适配竞赛提交格式。在实际工程中,类别不均衡、多目标合并以及编码格式的细微差异都会显著影响最终效果。本文以Kaggle钢铁缺陷检测赛题为例,深入解析RLE编码规则、

weixin_31100517的博客 286

【AI达人特训营第三期】钢铁缺陷检测挑战赛

PaddleDetection打比赛

m0_63642362的博客 1495

工业质检中的图像分割:钢铁缺陷检测实战

图像分割是计算机视觉的核心任务之一,其目标是将图像划分为具有语义含义的区域。在工业质检领域,图像分割被广泛应用于产品表面缺陷的自动检测,能够替代人工目检,提升效率与一致性。U-Net作为一种经典的编码器-解码器结构,凭借其跳层连接设计,在像素级预测任务中表现出色。本文以Kaggle Severstal钢铁缺陷检测比赛为例,详细介绍了如何利用U-Net进行钢板表面缺陷分割,包括RLE编解码、类别不均衡处理、训练策略与后处理技巧,并分享了实际踩坑经验。通过这一案例,可以深入理解图像分割在工业场景中的落地挑战与解

weixin_30694389的博客 183

Severstal: Steel Defect Detection比赛的discussion调研

特征匹配 https://zhuanlan.zhihu.com/p/52140541 https://www.kaggle.com/c/severstal-steel-defect-detection/discussion/108078#latest-621878 ensemble技巧 https://www.kaggle.com/c/severstal-steel-defect-detect...

微电子学与固体电子学-俞驰 2130

钢材表面缺陷检测实战:基于深度学习的图像分割与工业视觉应用

机器视觉作为智能制造的核心感知技术,正逐步替代传统人工目检,成为产品质量控制的关键环节。在工业缺陷检测场景中,图像分割算法能够对图像中的缺陷区域进行像素级定位与分类,其原理基于深度学习模型学习表面纹理与缺陷形态的差异,并通过编码器-解码器结构生成精细掩码。这项技术在实际生产中具有显著价值,能够大幅降低漏检率,减少批量报废损失,同时为产线自动化决策提供数据支撑。从钢材表面、纺织面料到半导体晶圆,图像分割已广泛应用于各类表面缺陷检测任务。本文围绕钢材表面缺陷检测这一经典赛题,系统梳理了数据标注解析、模型选型、损

weixin_29062255的博客 124

Kaggle_Severstal-steel-defect

Severstal:钢缺陷检测-Kaggle 准确度:89.5%| 排名1的90.8% 排名:345/2427 战队:岩浆蓝调 , , 平板钢板的生产过程特别精细。 从加热,轧制到干燥和切割,几台机器在准备装运时就接触扁钢。 如今,谢韦尔(Severstal)使用高频摄像机的图像来驱动缺陷检测算法。 竞争涉及开发模型以对钢板上的表面缺陷进行定位和分类。

paddle学习赛——钢铁目标检测(yolov5、ppyoloe+,Faster-RCNN)

PaddleDetection:分别使用ppyoloe+、FasterRCNN+swin进行训练;另外还试了Yolov5和.PaddleX框架的fasterrcnn

qq_56591814的博客 1万+

谢韦尔钢材数据集:Severstal-steel-defect

该数据集提供了4种类型的带钢表面缺陷,共包含6666张图片,像素值800×128,已打好txt格式的标签,拿到手即可直接开始训练。

钢铁缺陷检测挑战赛-第1名方案

基于PaddleDetection套件做的钢铁缺陷检测比赛。作为新人练习赛,在本项目中从数据到训练提交进行了一个较为详细的讲解,可以较好地帮助刚使用PaddleDetection的小伙伴熟悉套件。

m0_63642362的博客 1599

kaggle上的severstal钢铁缺陷检测数据集(YOLO格式)

从kaggle上的RLE格式转过来的,一共有6666张图片和标签,classes文件已经在包里了,直接用labelimg打开即可,种类是1234,因为源文件的RLE标签里的分类就是这几个数字,没有声明数字对应的缺陷种类是什么 今年年初搞的,不过这个数据集想获得比较好的训练结果似乎很难

目标检测-部分天池铝型材表面瑕疵数据集

选取部分天池铝型材表面瑕疵数据集 其中包含三个类别 分别为 cahua=139张 pengshang=69张 tufen=67张 并用YOLO、VOC数据集格式对缺陷进行标注

天池2018广东工业智造大数据创新大赛智能算法赛铝型材表面瑕疵识别深度学习解决方案_基于卷积神经网络与迁移学习的工业缺陷检测系统_针对铝型材表面划痕凹陷气泡等六类缺陷的高精度分类模.zip

天池2018广东工业智造大数据创新大赛智能算法赛铝型材表面瑕疵识别深度学习解决方案_基于卷积神经网络与迁移学习的工业缺陷检测系统_针对铝型材表面划痕凹陷气泡等六类缺陷的高精度分类模.zip

英飞凌TC377的Flash管理、UCB配置与HSM安全机制解析

本文深入解析了英飞凌TC377微控制器的Flash存储结构、UCB配置机制与HSM安全模块。详细阐述了带Cache与不带Cache的PFlash地址访问差异、利用SOTA与AB Swap实现无感OTA更新的原理,以及如何通过UCB安全配置启动流程与写保护。重点剖析了HSM硬件安全模块在密钥管理、安全启动与安全OTA中的核心作用,为开发高可靠性嵌入式系统提供实战指南。

weixin_29170327的博客 523
上一篇: Flask学习
下一篇: python知识点总结
TYUT_xiaoming
博客等级 码龄9年 1万+粉丝 233原创
评论 2
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