钢缺陷检测，分割和分类。 2021年3月28日更新： 目前正在进行中 预计完成时间：2021年3月1日

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。

英文| [简体中文]（ ） 表面缺陷检测：数据集和论文 :horse: :chart_increasing:在表面缺陷研究领域不断总结开源数据集非常重要。收集并汇编了2017年以来的重要重要论文，可以在 文件夹。 :whale: 数据集下载： | 介绍 目前，基于机器视觉的表面缺陷设备已在3C，汽车，家用电器，机械制造，半导体和电子，化学，制药，航空航天，轻工等多个行业的各个领域中广泛取代了人工视觉检查。基于机器视觉的传统表面缺陷检测方法通常使用常规图像处理算法或人为设计的特征以及分类器。一般而言，成像方案通常是通过使用被检查表面或缺陷的不同属性来设计的。合理的成像方案有助于获得照明均匀的图像，并清晰地反映物体的表面缺陷。近年来，许多基于深度学习的缺陷检测方法也已广泛用于各种工业场景中。 与计算机视觉中清晰的分类，检测和分割任务相比，缺陷检测的要求非常普遍。实际上，它的要求可以分为三个不同的级别：“缺陷是什么”（分类），“缺陷在哪里”（

Alum_surface_defect_detection 这包括我天池比赛的代码： 。 （阿里巴巴公司持有） 比赛旨在利用计算机视觉技术帮助工人检查他们的铝表面产品是否有任何缺陷，如斑点、划痕等。 Season1（分类）排名：96/2972 我发现非常有用的： InceptionV4(pytorch) 合并投票（类似于装袋） 好的迭代步骤 一般般： 数据增强（水平翻转） 集成（Xception、Resnet50、InveptionV3） 降低我的测试帐户 所有其他增强。 特别是随机旋转（0~8，角度越大，acc越差）） Season2（本地化）排名：10/2972 我发现非常有用的： FasterRcnn&FPN(检测器) 更大的调整大小（maskrcnn 为 960，FasterRcnn 为 800） 投票 亚当而不是新元 降低门槛 一般般： Mask-Rcnn(

This data set contains seven kinds of rice seed defects: complete grains, mechanical damage grains, germination grains, unfilled grains, moldy grains, hulling grains, and immature grains.

视网膜检测物体检测器 介绍 RetinaDetector是基于RetinaFace修改过的检测方法的，原论文是一种实用的单级面部检测器，最初在 数据 如下组织数据集目录： data/retinaface/ train/ images/ label.txt val/ images/ label.txt test/ images/ label.txt 安装 安装具有GPU支持的MXNet。 如果使用基于DCN的主干，请从安装 Convolution V2运算符。 键入make来构建cxx工具。 训练 请检查train.py进行培训。 将rcnn/sample_config.py复制到rcnn/config.py 为了获得更好的训练效果，可针对性的修改一些参数，如下： config.TRA

使用真实数据和合成数据对点云的下水道缺陷进行分类。这是下水道和缺陷的3D数据的第一个公开可用的数据集。数据集的大部分由合成数据组成，而真实管道的点云是在丹麦奥尔堡大学的实验室环境中记录的。 AAU Sewer Defect Point Cloud Dataset_datasets.txt testing_pointcloud_hdf5_real.h5 testing_pointcloud_hdf5_synthetic.h5 training_pointcloud_hdf5_real.h5 training_pointcloud_hdf5_synthetic.h5 AAU Sewer Defect Point Cloud Dataset_datasets.zip

电机缺陷检测仪 细节 目标操作系统： Ubuntu * 16.04 LTS 程式语言 Python 完成时间： 30分钟 它能做什么 制造设备的监视对于任何工业过程都是至关重要的。 有时至关重要的是，必须实时监视设备的故障和异常，以防止损坏并将设备行为故障与生产线问题相关联。 故障检测是预测性维护的先兆。 本参考实现涵盖FFT，逻辑回归，K均值聚类，GMM的基本实现。 它还显示了FFT在机器振动数据特征工程中的帮助。 这个怎么运作 从最基本的（FFT）到最复杂的（高斯混合模型），有几种方法不需要训练神经网络就能检测到故障。 它们的优点是可以在不同的数据流上进行较小的修改就可以重复使用，并且不需要大量已知的先前分类的数据（与神经网络不同）。 实际上，其中一些方法可用于对数据进行分类，以训练DNN。 要求 硬体需求 经过测试 软件需求 Ubuntu * 16.04 带有以下库的Py

这是“磁砖表面缺陷的显着性”论文的数据集。收集了6种常见磁砖缺陷的图像，并标记了它们的像素级地面真相。 图1.我们的数据集概述。 欢迎使用我们的数据集。 如果在您的研究中使用它，请引用我们的论文。 可以在用于表面缺陷显着性检测的工具箱。 其中有我们的MCue和其他14个显着性检测模型。 如有任何疑问，请通过以下方式与我联系

附件为显示器上点状、带状等不同形态的mura视觉检测算法，主要采用了LOG滤波器对缺陷图像进行了处理，附件内有文档说明如何针对缺陷设计滤波器，希望对大家有所启发。