工業(yè)缺陷檢測(cè)比賽Top3方案
https://tianchi.aliyun.com/s/bc97f977ae47dcfa4b07c027cd28d907
比賽剛剛開(kāi)始有興趣的小伙伴可以報(bào)名參加。
01
鋁型材表面瑕疵識(shí)別
賽題介紹
時(shí)間：2018年9月1日
比賽鏈接：
https://tianchi.aliyun.com/competition/entrance/231682/introduction
比賽背景：在鋁型材的實(shí)際生產(chǎn)過(guò)程中，由于各方面因素的影響，鋁型材表面會(huì)產(chǎn)生裂紋、起皮、劃傷等瑕疵，這些瑕疵會(huì)嚴(yán)重影響鋁型材的質(zhì)量。為保證產(chǎn)品質(zhì)量，需要人工進(jìn)行肉眼目測(cè)。然而，鋁型材的表面自身會(huì)含有紋路，與瑕疵的區(qū)分度不高。傳統(tǒng)人工肉眼檢查十分費(fèi)力，不能及時(shí)準(zhǔn)確的判斷出表面瑕疵，質(zhì)檢的效率難以把控。
02
獲獎(jiǎng)方案
冠軍方案：Are you OK 隊(duì)
Baseline：FasterRCNN
改進(jìn)方法：
1、采用特征金字塔FPN結(jié)構(gòu)融合高低層信息
2、采用可變形卷積核（Deformable Convolutoin）
3、提出Contextual ROI Pooling
亞軍方案：嘟嘟嘟嘟隊(duì)
baseline：Faster R-CNN with FPN
亞軍方案：BOOMBOOM隊(duì)
baseline：Faster R-CNN with FPN
改進(jìn)方法：
?
1、FPN采用了帶孔卷積Dilated Convolution
方法：將FPN網(wǎng)絡(luò)的最后一層操作改成了帶孔卷積。帶孔卷積比標(biāo)準(zhǔn)卷積具有更大的感受野。
?? ? ?? ? ? ? ? ? ? ? ? ? ? ?? ? ??
?
???????(a)常規(guī)的卷積? ? ? ? ? ? (b)帶孔卷積
2、采用ROIAlign代替ROI Pooling
?
方法：這部分方法和嘟嘟嘟嘟隊(duì)采用了相同的方法不過(guò)多的介紹了。
3、在最后的分類部分，使用Focal Loss代替原來(lái)的交叉熵
這里介紹下focal loss的兩個(gè)重要性質(zhì)：
1、當(dāng)一個(gè)樣本被分錯(cuò)的時(shí)候，pt是很小的，比如當(dāng)y=1時(shí)，p要小于0.5才是錯(cuò)分類，此時(shí)pt就比較小，反之亦然），因此調(diào)制系數(shù)就趨于1，也就是說(shuō)相比原來(lái)的loss是沒(méi)有什么大的改變的。當(dāng)pt趨于1的時(shí)候（此時(shí)分類正確而且是易分類樣本），調(diào)制系數(shù)趨于0，也就是對(duì)于總的loss的貢獻(xiàn)很小。
2、當(dāng)γ=0的時(shí)候，focal loss就是傳統(tǒng)的交叉熵?fù)p失，當(dāng)γ增加的時(shí)候，調(diào)制系數(shù)也會(huì)增加。
focal loss的兩個(gè)性質(zhì)算是核心，其實(shí)就是用一個(gè)合適的函數(shù)去度量難分類和易分類樣本對(duì)總的損失的貢獻(xiàn)。
4、訓(xùn)練Trick
03
總結(jié)
獲獎(jiǎng)方案baseline都采用了FasterRCNN， FasterRCNN 在目標(biāo)檢測(cè)的任務(wù)中具有較高的準(zhǔn)確率。缺陷檢測(cè)主要面對(duì)的難點(diǎn)是缺陷較小，且形狀不過(guò)規(guī)則。也就是需要解決小目標(biāo)檢測(cè)和網(wǎng)絡(luò)的泛化能力，解決這些問(wèn)題的方案有使用新的卷積來(lái)應(yīng)對(duì)缺陷的不規(guī)則的情況比如可變形卷積，以及采用FPN提升小目標(biāo)的檢測(cè)能力，其余的主要是比賽的一些技巧如數(shù)據(jù)擴(kuò)增和多模融合和測(cè)試增強(qiáng)。