传统方法 + 深度学习发威！ | 2021瓷砖缺陷检测总决赛冠军思路分享

本文整理天池比赛论坛分享：https://tianchi.aliyun.com/forum/postDetail?postId=195955

智能算法赛：瓷砖表面瑕疵质检

智能算法赛以“瓷砖表面瑕疵质检”为课题，要求选手开发出高效可靠的计算机视觉算法，提升瓷砖表面瑕疵质检的效果和效率，降低对大量人工的依赖。要求算法尽可能快与准确的给出瓷砖疵点具体的位置和类别，主要考察疵点的定位和分类能力。

一、总体方案概述

• 虽然当前深度学习技术十分火爆，但它占AOI落地项目中的比例仅约10%。传统算法依然无法被完全取代，它有着计算复杂度低、调试成本低等优点。

为了结合深度学习算法和传统算法的优势，我们提出Deep and Shallow Fusion Network (DSFNet), 该网络将传统算法提取的特征在模型的深层和浅层按通道进行拼接。这样的结构仅用单模型ResNeSt50就取得了优异的成绩。

• 我们对仅在模型的深层或者浅层拼接分别进行了实验，发现只有同时进行拼接效果最好。

二、传统特征提取

• 用surf算子提取瑕疵图和模板图的特征点，再通过透视变换将模板与瑕疵图对齐，最后差分得到传统特征，其流程框图如下：

• 由于瓷砖的花纹复杂，与瑕疵难以区分。这样对齐差分后，可以抑制绝大部分的噪声，而突出瑕疵的特征。

三、其他性能优化措施

• anchor_scale和anchor_size设置。对于不同的检测任务，往往需要统计训练数据来针对性的设置这两个参数，这样才能将模型的性能最大化。

• 可变形卷积增加了模型对各种目标形状的建模能力，是个稳定的涨分点。

• 双阈值，对于提高ACC效果明显, 会略微降低MAP。需要调到合适值，才能达到总score最大化。

Backbone是ResNeSt50。由于split-attention模块能够实现跨通道注意力机制，所以这个模型正好适合我们按通道拼接的传统特征和深度模型特征。

• 后期还利用差分图像做了瑕疵增广实验，由于时间关系，未能测试。

本文仅做学术分享，如有侵权，请联系删文。