冠军方案之布匹疵点智能检测

freeopen [机器学习] #top1

冠军:哪儿都是坑啊 团队(徐光福等)

任务说明

在布匹的实际生产过程中,由于各方面因素的影响,会产生污渍、破洞、毛粒等瑕疵,为保证产品质量,需要对布匹进行瑕疵检测。布匹疵点检验是纺织行业生产和质量管理的重要环节,目前人工检测易受主观因素影响,缺乏一致性;并且检测人员在强光下长时间工作对视力影响极大。由于布匹疵点种类繁多、形态变化多样、观察识别难道大,导致布匹疵点智能检测是困扰行业多年的技术瓶颈。

大赛数据涵盖了纺织业中布匹的各类重要瑕疵,每张图片含一个或多种瑕疵。数据包括包括素色布和花色布两类,其中,素色布数据约8000张,用于初赛;花色布数据约12000张,用于复赛。

评估指标

赛题分数计算方式: 0.2ACC+0.8mAP

ACC:是有瑕疵或无瑕疵的分类指标,考察瑕疵检出能力。 其中提交结果name字段中出现过的测试图片均认为有瑕疵,未出现的测试图片认为是无瑕疵。

mAP:参照PASCALVOC的评估标准计算瑕疵的mAP值。

本次大赛评分计算过程中,分别在检测框和真实框的交并比(IOU)在阈值0.1,0.3,0.5下计算mAP,最终mAP取三个值的平均值。

数据分析及预处理

本次赛题主要难点是小目标占比较大,尺度差异性大(长宽比),类别不均衡很严重,布匹花色信息容易和瑕疵点混淆。

官方提供了布匹的模板图片,该图片包含布匹的花色信息,有效利用模版,能提高泛化性。

组合三通道

第一层用原图,第三层用模版,中间层用原图和模版的差异值。另外,为减轻模板的不对齐情况,对模板图片进行上下左右随机10个像素点左右的抖动。

模型设计

目标检测问题的框架: Cascade rcnn + big backbone,由于比赛的评估指标map为0.1,0.3,0.5,须对cascade rcnn的RPN和三个串联的RCNN结构的阈值进行调整。

相关参数:

anchor设计

对瑕疵进行聚类分析,针对不同的长宽比,精细设计anchor参数。

其他

探索CenterNet、FCOS、REPPOINTS等基于anchor free的新方法。尝试改进版的BiFPN, 该结构在coco表现上非常好。


评论区🔗

你可以在这里快速开始评论,如果 name 填写为 email 时,当有回复时,会收到邮件提醒( 注:邮件提醒功能还在制作中 ).


回应区🔗

你有对这篇文章写回应吗? 你可以在这里提交你的文章网址或者推特链接(文章或推特内容需要包含这篇文章的地址,点击这里了解 Webmention):

回应内容会被 webmention.io 机器人收集,另一位机器人会在24小时内把回应展示到这里, 也欢迎通过 邮件 Twitter DM 和我讨论。

Back to top