2021 瓷砖表面缺陷检测总决赛冠军解决方案：传统方法+深度学习

作者丨安宁的庞巴迪@知乎

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。

四. github地址

正在整理，即将开放.

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。