Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
天池2019广东工业智造创新大赛 布匹疵点检测 天池水也太深了 季军解决方案
| Date | Stars |
|---|---|
| 2026-07-24 | 415 |
| 2026-07-25 | 415 |
| 2026-07-28 | 415 |
| 2026-07-30 | 415 |
| 2026-08-06 | 415 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
# 2019广东工业智造创新大赛【赛场一】季军解决方案 全套代码
队伍：**天池水也太深了**
## 比赛地址：[2019广东工业智造创新大赛 布匹疵点检测](https://tianchi.aliyun.com/competition/entrance/231748/introduction?spm=5176.12281957.1004.9.38b02448pYKHIm)
## NEW !!!
感谢大家的关注，由于近期很多同学需要数据学习使用，经过和天池的沟通，可以将数据共享给大家学习使用
数据下载地址：
[百度网盘](https://pan.baidu.com/s/1DT8vlFELrjfgczGBZ1yEzQ) (密码：jp7d)
## TIPS:
因为官方给的原始数据压缩包大于4gb，我这里对每一个包进行了分卷压缩，大家注意分卷解压缩使用
## core slides:
## 算法流程&方案介绍 CFRCNN--变化检测思路
+ 输入图片预处理
- 将代检测图片和模板图片沿通道方向合并, 变为h*w*6的矩阵
- 归一化
- resize padding等常规操作
+ 经过CFRCNN模型
- 基本框架：Cascade-RCNN
- 输入改变为6个通道的conv, 同时输入待检测图像和对应模板进行变化检测
- backbone： resnet50
- cascade 三个head 根据比赛map计算iou进行对应调整
- 为了解决其中三类面积过大的问题, 额外训练一个小尺度大感受野的专家模型
- 采用fp16加速训练和增大输入面积来缓解部分小目标问题
+ 后处理
- NMS
- 最大score二类后处理, 根据单个图片bbox最高score来对图像进行二次过滤, 判断该图像是否是正常样本
### 创新性
+ 变化检测
- 根据赛题任务, 采用变化检测思路处理检测任务
- 调整输入层为样本和模板同时输入 让模型学到目标和模板之间的变化差异, 使模型在切换模板后依然有良好泛化能力
+ 专家模型解决感受野不足问题
- 为了降低模型复杂度, 没有采用大感受野复杂模型或者增加大anchor, 而是以resnet50为backbone
- resnet50感受野不足, 并且原始anchor大小不足，导致缝头、缝头印和色差等面积很大的类漏检
- 训练一个400尺度的大感受野专家模型
- 去掉面积过小的目标, 保证梯度稳定
+ cascade iou阈值适应赛题map要求
- cascade 每个head的预测bbox结果在其对应iou阈值的AP上效果最好
- 根据比赛0.1 0.3 0.5的iou要求, 将cas三个head的iou阈值调整为0.4 0.5 0.6（可能 0.3 0.4 0.5效果更佳，未能尝试）
- 同时rcnn 正负样例放松overlap要求放松为 0.6 0.2
+ 最大score二类后处理
- 为了保持map的同时保证acc, 依据单个样本最高score的bbox置信度大小进行二次过滤分出正常图像
## 代码环境及依赖
+ OS: Ubuntu16.10
+ GPU: 2080Ti * 4
+ python: python3.7
+ nvidia 依赖:
- cuda: 10.0.130
- cudnn: 7.5.1
- nvidia driver version: 430.14
+ deeplearning 框架: pytorch1.1.0
+ 其他依赖请参考requirement.txt
## 训练数据准备(后面训练部分会有阐述如何一次性运行，这里只阐述过程)
- **相应文件夹创建准备**
- 在data目录中创建fabric文件夹
- 进入fabric文件夹,创建以下文件夹:
annotations
Annotations
defect_Images
template_Images
- **训练数据路径移动**
- 将 guangdong1_round2_train_part1_20190924,
guangdong1_round2_train_part2_20190924,
guangdong1_round2_train_part3_20190924和
guangdong1_round2_train2_20191004_images中
defect目录中的所有文件夹下的非模板图片复制到 data/fabric/defect_Images 目录下
- 将 guangdong1_round2_train_part1_20190924,
guangdong1_round2_train_part2_20190924,
guangdong1_round2_train_part3_20190924和guangdong1_round2_train2_20191004_images中
defect目录中的所有文件夹复制到 data/fabric/template_Images 目录下
- **label文件合并及格式转换**
- 将round2中两个轮次的label文件合并到 anno_train_round2.json中，然后移动到data/fabric/Annotations 目录下
- 将刚才的label文件转换为COCO格式，新的label文件 instances_train_20191004_mmd.json 和
instances_train_20191004_mmd_100.json会保存在 data/fabric/annotations 目录下
- **预训练模型下载**
- 使用mmdetection官方开源的casacde-rcnn-r50-fpn-2x的COCO预训练模型
- 下载预训练模型后进行转换变为支持CFRCNN模型的预训练模型
## 依赖安装及编译
- **依赖安装编译**
1. 创建并激活虚拟环境
conda create -n guangdong python=3.7 -y
conda activate guangdong
2. 安装 pytorch
conda install pytorch=1.1.0 torchvision=0.3.0 cudatoolkit=10.0 -c pytorch
3. 安装其他依赖
pip install cython && pip --no-cache-dir install Excerpt of 4,351 characters
Read on GitHubWould you bet a product on this? Bounded 0–100 and slow moving.
matched fp:75ce535e45eac226, topic:computer-vision