xxxDefectDetection

KO | EN

gitlite — search

#hacktoberfest #react #typescript #llm #machine-learning #rust #deep-learning #linux #java #kubernetes #pytorch #mcp #ios #open-source

xxxDefectDetection

(★ 11)

本项目基于优化的Mask RCNN网络进行工业瑕疵品检测

xxxDefectDetection Latest Version Download

Download Latest Version (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# 某公司客户-工业瑕疵检测
## 项目简介
本项目基于优化的Mask RCNN网络进行工业瑕疵品检测

本项目在Mask RCNN基础上结合了：  
　　Relation Network模块  
　　Global Context全局特征  
　　DCN可变卷积  
　　随机图像增强  
有效提升了瑕疵检测效果和泛化性  
  
本次实验所用到的数据总共1571张图片18个类别（17种瑕疵+1个正常），其中训练集和测试集的比为7:3  
最终在测试集上达到96.82%的准确率和83.3%的mAP，混淆矩阵如下：  
[[29  0  0  0  0  0  0  0  0  0  0  0  0  0  0  0]  
 [ 1 24  0  0  0  0  0  0  0  0  0  0  0  0  0  0]  
 [ 0  0  8  0  0  0  0  0  0  0  0  0  0  0  0  0]  
 [ 0  0  0 25  0  0  0  0  2  0  0  0  0  0  0  0]  
 [ 0  0  0  0 55  1  0  0  0  0  0  0  0  0  0  0]  
 [ 0  0  0  0  0 40  0  0  0  0  0  0  0  0  0  0]  
 [ 0  0  0  3  0  0 38  0  0  0  0  0  0  0  0  0]  
 [ 0  0  0  1  0  0  1 33  0  0  0  0  0  0  0  0]  
 [ 0  0  0  0  0  0  0  0 15  0  0  0  0  0  0  0]  
 [ 0  0  0  0  0  0  0  0  0 29  0  0  0  1  0  0]  
 [ 0  0  0  0  0  0  0  0  0  0 23  0  0  0  0  0]  
 [ 0  0  0  0  0  0  0  0  0  0  0 17  0  0  0  0]  
 [ 0  0  0  0  0  0  0  0  0  0  0  0 25  0  1  0]  
 [ 0  0  0  0  0  0  0  0  0  1  0  1  0 31  0  0]  
 [ 0  0  0  0  0  0  0  0  0  0  1  0  0  0 35  1]  
 [ 0  0  0  0  0  0  0  0  0  0  0  0  0  0  0 29]]  
precision: ['96.67%', '100.00%', '100.00%', '86.21%', '100.00%', '97.56%', '97.44%', '100.00%', '88.24%', '96.67%', '95.83%', '94.44%', '100.00%', '96.88%', '97.22%', '96.67%']  
recall: ['100.00%', '96.00%', '100.00%', '92.59%', '98.21%', '100.00%', '92.68%', '94.29%', '100.00%', '96.67%', '100.00%', '100.00%', '96.15%', '93.94%', '94.59%', '100.00%']

## 项目部署
本项目可在Windows或Linux上进行部署运行  
环境要求如下：  
　　Windows或Linux  
　　Python 3.7及以上  
　　PyTorch 1.6及以上  
更多第三方库请见**requirement.txt**  
可通过命令 **pip install -r requirement.txt** 对这些库进行安装，也可逐一手动安装

## 训练数据准备
若是要直接运行模型进行测试，可以跳过这部分  
若是要从头开始训练模型，则需要准备训练数据  
在本项目中数据已经准备好了，见`data/NP_pick_together`，若是有更多数据可以仿照这个格式来存放   
图像标注采用`labelme`软件进行标注，详情链接：https://github.com/wkentaro/labelme  
图片文件和标注文件的存放格式为：  
~~~~
data/  
　　dataset_1/  
　　　　img/  
　　　　　　xxx.jpg  
　　　　　　yyy.jpg  
　　　　　　...  
　　　　label/  
　　　　　　xxx.json  
　　　　　　yyy.json  
　　　　　　...  
　　dataset_2/  
　　　　img/  
　　　　label/   
　　... ...  
~~~~
其中dataset_x为数据集的名称，可自定义，只要在代码中也修改对应的数据集名称就可以  
接下来就可以运行以下命令来训练：  
`python train_relation.py`   
具体的参数设置见代码文件`train_relation.py`

## 项目运行
在这之前，我已经运行过并且把结果输出保存在了preds_output文件夹中  
其中，文件夹名是分类的类别，图片的文件名是原来的路径  
若要重新运行测试代码，可用此命令：  
`python eval.py`

## 更新日志
20201209　　V1.0

xxxDefectDetection

xxxDefectDetection Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

xxxDefectDetection

xxxDefectDetection Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

Download README