文件列表:

results (0, 2022-10-20)
results\01_KSDD2 (0, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_00_grandient_open (0, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_00_grandient_open\ROC.pdf (11729, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_00_grandient_open\loss_val.png (89840, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_00_grandient_open\losses.csv (2000, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_00_grandient_open\precision-recall.pdf (11761, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_00_grandient_open\results.csv (46686, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_00_grandient_open\run_params.txt (782, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_00_grandient_open\training_log.txt (22115, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_01_grandient_open（对比实验_C_Net） (0, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_01_grandient_open（对比实验_C_Net）\ROC.pdf (11793, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_01_grandient_open（对比实验_C_Net）\loss_val.png (100070, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_01_grandient_open（对比实验_C_Net）\losses.csv (6416, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_01_grandient_open（对比实验_C_Net）\precision-recall.pdf (11423, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_01_grandient_open（对比实验_C_Net）\results.csv (45419, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_01_grandient_open（对比实验_C_Net）\run_params.txt (783, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_01_grandient_open（对比实验_C_Net）\training_log.txt (59858, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_02(对比实验New_S_Net) (0, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_02(对比实验New_S_Net)\ROC.pdf (11292, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_02(对比实验New_S_Net)\loss_val.png (81157, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_02(对比实验New_S_Net)\losses.csv (839, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_02(对比实验New_S_Net)\precision-recall.pdf (12172, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_02(对比实验New_S_Net)\results.csv (45754, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_02(对比实验New_S_Net)\run_params.txt (783, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_02(对比实验New_S_Net)\training_log.txt (10442, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_03(对比实验SC_Net) (0, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_03(对比实验SC_Net)\ROC.pdf (10999, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_03(对比实验SC_Net)\loss_val.png (100639, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_03(对比实验SC_Net)\losses.csv (5843, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_03(对比实验SC_Net)\precision-recall.pdf (12008, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_03(对比实验SC_Net)\results.csv (44920, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_03(对比实验SC_Net)\run_params.txt (783, 2022-10-20)
results\01_KSDD2\ksdd2_z_new_SC_03(对比实验SC_Net)\training_log.txt (47800, 2022-10-20)
results\02_DAGM (0, 2022-10-20)
results\02_DAGM\dagm_z_SC_03_class4 (0, 2022-10-20)
results\02_DAGM\dagm_z_SC_03_class4\FOLD_4 (0, 2022-10-20)
results\02_DAGM\dagm_z_SC_03_class4\FOLD_4\ROC.pdf (10342, 2022-10-20)
... ...

# SC-Net:弱监督的表面缺陷检测 ## 1.论文与代码 * 本文: * 论文:2022年10月17日被录用,等待发表 * 代码:论文成功发表后公布(在基准论文代码上修改得来) * 基准论文(2021年): * 期刊:Computers in Industry(SCI影响因子11.245, Q1) * 作者:Bozic J, Tabernik D, Skocaj D. * 论文:[Mixed supervision for surface-defect detection: From weakly to fully supervised learning](https://www.webofscience.com/wos/alldb/full-record/WOS:000***8879500012) * 论文代码:[https://github.com/vicoslab/mixed-segdec-net-comind2021](https://github.com/vicoslab/mixed-segdec-net-comind2021) ## 2.简述 * 用途:工业表面缺陷检测(分类、分割) * 输入: * 数据集的样本图像 * **图像级标签(二元分类标签,仅需标注是否存在缺陷,即True or False)** * 输出: * 分割图(分割出缺陷的轮廓与位置) * 分类预测(样本图像存在缺陷的概率) * 实验数据集:KolektorSDD2(KSDD2), DAGM 1-10, KolektorSDD(KSDD), Severstal Steel(介绍与下载地址见文末) ## 3.效果 ### (1) 表1 四个数据集的平均精确率AP | 论文 | 标签类型 | KSDD2 | DAGM | KSDD | Severstal Steel | | :---: | --- | :---: | :---: | :---: | :---: | | 本文 | 图像级标签(难度更高) | 96.0 | 100 | 99.4 | 9*** | | 基准论文 | 图像级标签(难度更高) | 73.3 | 74.0 | 93.4 | 90.3 | | 基准论文 | 像素级/椭圆型/方框型标签 | 95.4 | 100 | 100 | 97.7 | * 注: * 平均精确率AP能更好地评估正负样本严重不平衡的缺陷检测类数据集 * 实验记录还有其他评估指标,包括AUC, AC, F1及其阀值, FP, FN ### (2) 表2 模型大小与检测速度的比较(数据集KSDD2) | 论文 | 模型大小 | 训练速度 | 检测速度 | 训练所需迭代次数 | 训练所需时间 | | :---: | :---: | :---: | :---: | :---: | :---: | | 本文 | 2.4M | 9.8s/epoch | 125个样本/s | 91 | 20min | | 基准论文 | 59.7M | 53.5s/epoch | 33个样本/s | 31 | 30min | ### (3) 分割图(KSDD) ## 4.数据集 ### (1) 简介与下载地址 * KolektorSDD2。 * 该数据集由有缺陷的电气换向器的彩色图像构成,由Kolektor Group doo提供并部分注释,由视觉检查系统捕获,在受控环境中捕获的图像大小相似,大约230 像素宽和 630 像素高。数据集分为训练和测试子集,训练中有2085个负样本和246个正样本,测试子集中有894个负样本和110个正样本。缺陷用细粒度的分割掩码标注,形状、大小和颜色各不相同,从小划痕和小斑点到大表面缺陷不等。 * [下载地址](https://www.vicos.si/resources/kolektorsdd2/) * DAGM。 * 该数据集是众所周知的表面缺陷检测基准数据集。它包含十种不同的计算机生成表面和各种缺陷(如划痕或斑点)的灰度图像。每个表面都被视为一个二元分类问题。最初公开了六个类别,后来又公开了四个类别;因此,一些相关方法只报告前六个类的结果,而其他方法则报告所有十个类的结果。 * [下载地址](https://hci.iwr.uni-heidelberg.de/content/weakly-supervised-learning-industrial-optical-inspection) * KolektorSDD。 * 该数据集包含真实世界生产项目的灰度图像;其中许多包含可见的表面裂缝。由于样本量小,图像被分成三部分,如Tabernik、Sela 等人。(2019),而最终结果报告为三倍交叉验证的平均值。 * [下载地址](https://www.vicos.si/resources/kolektorsdd/) * Severstal Steel。 * 该缺陷数据集明显大于其他三个数据集,包含 4 类 12,568 张灰度图像,具有各种缺陷。我们在评估中仅使用数据集的一个子集。特别是,我们使用所有负片图像,但只考虑图像中存在最常见缺陷类别的正片图像(第 3 类)。缺陷在尺寸、形状和外观上非常多样化,从划痕和凹痕到多余的材料。尽管数据集相当大且多样化,但一些缺陷非常模糊,可能无法正确注释。 * [下载地址](https://www.kaggle.com/c/severstal-steel-defect-detection/data) ### (2) 表3 数据集的结构 | 数据集 | 类别 | KSDD2 | DAGM | KSDD | Severstal Steel | | :---: | :---: | :---: | :---: | :---: | :---: | | 训练集 | 正样本 | 246 | 1046 | 34 | 300 | | | 负样本 | 2086 | 7004 | 230 | 4143 | | 验证集 | 正样本 | 110 | 1054 | 110 | 559 | | | 负样本 | 894 | 6996 | 894 | 559 | | 测试集 | 正样本 | 110 | 1054 | 110 | 1200 | | | 负样本 | 894 | 6996 | 894 | 1200 | * 注: * 含缺陷的图像为正样本,无缺陷图像为负样本 * 前3个数据集并没有真正的验证集,使用测试集代替

近期下载者：

相关文件：

评论：[我要评论] [举报此文件]

收藏者：