添加链接
link之家
链接快照平台
  • 输入网页链接,自动生成快照
  • 标签化管理网页链接

来源丨https://zhuanlan.zhihu.com/p/305087419

文献资料汇总

https://github.com/Eatzhy/surface-defect-detection

综述:机器视觉表面缺陷检测综述

缺陷检测工具箱

https://github.com/abin24/Saliency-detection-toolbox

基于深度学习方式

1、语义分割方式

https://github.com/Wslsdx/Deep-Learning-Approach-for-Surface-Defect-Detection

https://github.com/LeeWise9/Segmentation-Based-Surface-Defect-Detection

https://github.com/CristinaMa0917/Defects_Detection_MaskRCNN

2、目标检测方式

https://github.com/YeahHuang/Al_surface_defect_detection

3、基于GAN

https://github.com/hukefei/GAN-defect

4、不同行业应用

1)PCB

https://github.com/Ixiaohuihuihui/Tiny-Defect-Detection-for-PCB

https://github.com/chinthysl/AXI_PCB_defect_detection

https://github.com/gustavo95/pcb-defect-detection

2)钢材缺陷检测

https://github.com/khornlund/severstal-steel-defect-detection

https://github.com/Diyago/Severstal-Steel-Defect-Detection

https://github.com/toandaominh1997/Steel-Defect-Detection

https://github.com/rook0falcon/steel-defect-detection

3)胶囊缺陷检测

https://github.com/TSjianjiao/Defect-Detection-with-tensorflow

4)电池缺陷检测

https://github.com/cdeldon/thermography

https://github.com/evip/ButtonDefectDetection

5)织物缺陷检测

https://github.com/weningerleon/TextileDefectDetection

https://github.com/freedom-kevin/defect_detection

https://github.com/Johncheng1/Fabric-defect-detection

https://github.com/luissen/SSDT-A-single-shot-detector-for-PCB--defects

https://github.com/wangerniuniu/FabricDefectDetection

https://github.com/mynameiswangshiyi/AE-BP-fabric-defect-detection

6)水果和蔬菜缺陷检测

https://github.com/shyamsuresh14/Detection-of-defects-in-fruits-and-vegetables

https://github.com/skokec/segdec-net-jim2019

https://github.com/zwb204/Industrial_defect_detection

https://github.com/wuziheng/SiliconWaferDefectDetection

https://github.com/qiucongying/Mcue

https://github.com/yjphhw/SACNN

缺陷检测数据集

https://github.com/abin24/Surface-Inspection-defect-detection-dataset

https://github.com/Eatzhy/Surface-defect-Detection-dataset

下载1:OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复:扩展模块中文教程,即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2:Python视觉实战项目52讲
在「小白学视觉」公众号后台回复:Python视觉实战项目,即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。
下载3:OpenCV实战项目20讲
在「小白学视觉」公众号后台回复:OpenCV实战项目20讲,即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~
点击上方“小白学视觉”,选择加"星标"或“置顶”重磅干货,第一时间送达作者丨Tom Hardy@知乎来源丨https://zhuanlan.zhihu.com/p/305087419文献资料汇总https://github.com/Eatzhy/surface-defect-detection综述:机器视觉表面缺陷检测综述缺陷检测工具箱https://github.com/abin24/Salie...
1、该资源内项目代码经过严格调试,下载即用确保可以运行! 2、该资源适合计算机相关专业(如计科、 人工智能 、大数据、数学、电子信息等)正在做课程设计、期末大作业和毕设项目的学生、或者相关技术学习者作为学习资料参考使用。 3、该资源包括全部 源码 ,需要具备一定基础才能看懂并调试代码。 基于 传统 机器学习+ 深度学习 的中文文本分类 源码 +项目说明.zip
基于多种 深度学习 的故障检测 算法 python 源码 +项目说明 【资源介绍】 该代码主要参考论文和代码放在最后,主要用来研究和学习一些有关故障检测的 深度学习 算法 和CWRU轴承数据集 也对该代码进行了通读和理解,并对其进行了简单的改造,也添加了一些可视化的代码 Overall introduction AE_Datasets:自编码器的三种数据预处理 方式 的相关代码 CNN_Datasets:卷积神经网络的三种数据预处理 方式 的相关代码 checkpoint:存放的是不同网络训练过程的日志(这里存放的是我当时跑训练模型时的日志信息) logs:存放的是训练集和验证集训练过程的各种指标(准确率、精确率、召回率、误报率、漏检率、F1值、Loss值)的数据(使用tensorboard就可以可视化) models:放置各种不同的网络模型的代码 utils:包含训练过程的一些函数 draw_models.py:对各个模型的训练集和验证集的ACC和LOSS进行绘图可视化的代码 draw_transform.py:对CWRU数据集的数据进行各种变换分析(CWT和STFT(汉宁窗)),并绘图进行可视化的代码 train.py:训练除自编码器的网络模型的代码 train_ae.py:训练自编码器的网络模型的代码 在train_utils.py和train_utils_ae.py的train函数中:增添了tensorboard可视化,增加了训练中的指标精确率、召回率、误报率、漏报率 增添了draw_models.py和draw_transform.py feelings 在故障检测的这个项目中,通过该代码的研读也对多种网络模型有了较为深刻的理解,也对pytorch的这套 深度学习 整体框架有了很多的了解,自己也对CWRU数据集进行了很多次的训练,也得出了对于适用于CWRU数据集故障检测的很棒的模型和数据输入。
基于 深度学习 的表面 缺陷检测 算法 是利用机器学习中的 深度学习 模型来判断图像中是否存在缺陷。这种 算法 可以分为全监督学习模型、无监督学习模型和其他方法(如半监督学习模型和弱监督学习模型)\[1\]。在全监督学习模型中,根据输入图像的 方式 和损失函数的差异,可以进一步细分为基于表征学习和度量学习的方法\[1\]。在表征学习中,根据网络结构的不同,可以进一步细分为分类网络、检测网络和分割网络\[1\]。 目前大部分基于 深度学习 的表面 缺陷检测 方法是基于有监督的表征学习方法\[2\]。这种方法将 缺陷检测 问题看作计算机视觉中的分类任务,包括粗粒度的图像标签分类或区域分类,以及最精细的像素分类\[2\]。其中,基于CNN的分类网络是最常用的模式,因为CNN具有强大的特征提取能力\[2\]。这种分类网络可以直接利用网络进行分类、利用网络进行缺陷定位,或者将网络作为特征提取器\[2\]。 基于 深度学习 的表面 缺陷检测 技术在各种工业场景中得到广泛应用,取代了 传统 的基于机器视觉的方法\[3\]。这些方法利用 深度学习 模型,通过合理的成像方案来获取光照均匀的图像,并将物体表面的缺陷明显地体现出来\[3\]。 总结来说,基于 深度学习 的表面 缺陷检测 算法 利用 深度学习 模型来判断图像中是否存在缺陷,其中分类网络是最常用的模式。这种 算法 在工业场景中得到广泛应用,取代了 传统 的基于机器视觉的方法。 #### 引用[.reference_title] - *1* *2* *3* [毕业设计--基于 深度学习 的表面 缺陷检测 方法](https://blog.csdn.net/qq_37340229/article/details/128405195)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]