# Tianchi-2021guangdong-industry-Algorithmic-competition--Defect-detection-of-ceramic-tile-Rank1

**Repository Path**: smilecare/Tianchi-2021guangdong-industry-Algorithmic-competition--Defect-detection-of-ceramic-tile-Rank1

## Basic Information

- **Project Name**: Tianchi-2021guangdong-industry-Algorithmic-competition--Defect-detection-of-ceramic-tile-Rank1
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 1
- **Created**: 2021-03-31
- **Last Updated**: 2025-03-12

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 天池2021广东工业智造智能算法赛 冠军解决方案 全套代码  
[比赛地址链接](https://tianchi.aliyun.com/competition/entrance/531846/introduction?spm=5176.12281925.0.0.4ef57137zkC0ak)  
--
队伍：安宁庞巴迪

# 关键方案介绍 

## * 传统特征提取  
1. 使用surf算子将原缺陷图和模板如对齐  
2. 将缺陷图的灰度图与对齐好的模板图的灰度图相减得到传统特征  

![image](https://github.com/majiawe/Tianchi-2021guangdong-industry-Algorithmic-competition--Defect-detection-of-ceramic-tile-Rank1/blob/master/feature.png)
## * 将传统特征与深度学习提取的特征进行融合(提出DSFNet)
1. 将传统特征与原RGB缺陷图组合成四通道输入网络
2. 另外将该传统特征融合到FPN的输出特征上  
![image](https://github.com/majiawe/Tianchi-2021guangdong-industry-Algorithmic-competition--Defect-detection-of-ceramic-tile-Rank1/blob/master/dsf.png)
## * 其余性能优化措施
1. 将anchor sacle 设置为4和8以检测大目标和小目标  
2. 采用多尺度训练(1000~2000)以及多尺度测试  
3. 训练测试均有数据旋转、随即翻转数据增广方式  
4. 双阈值后处理
5. 采用单模型resNeSt50+FPN+cascade_rcnn

# 主要代码环境依赖  
* Ubuntu 19.04.3
* cuda 10.1
* mmcv-full 1.2.5
* python 3.7.4
* pytorch 1.6
* torchvision 0.7
* mmdetection
* opencv 3.4.2.17 

# 数据预处理以及相关说明
* 数据预处理代码在data_precess文件夹里，包括模板对齐,预训练权重通道数修改。若用GPU来执行对齐操作需要编译GPU版的opencv，下面介绍的镜像里已编译好。
* 预处理步骤可看online_train.py代码文件，这里默认官方数据挂载到容器/tcdata里。
* 需新建/work_dir/pre_trained_weight/目录用于手动存放下载的预训练, [下载地址](http://download.openmmlab.com/mmdetection/v2.0/resnest/cascade_rcnn_s50_fpn_syncbn-backbone%2Bhead_mstrain-range_1x_coco/cascade_rcnn_s50_fpn_syncbn-backbone%2Bhead_mstrain-range_1x_coco_20201122_213640-763cc7b5.pth)。 训练的时候，日志会自动保存在/work_dir/。
* 需新建dcn_r101文件夹，训练完成的权重会被保存在该文件夹下。  

# docker hub镜像拉取
```
docker pull jwma1996/tianchi_2021guangdong_defect_detection_of_tile:latest  
```
1. 该镜像对应榜单最优成绩
2. 包含端到端完整的数据处理、训练、测试过程


# 模型训练  
```
python online_train.py
``` 

# 模型测试
```
python online_infer.py
```

# 训完自动测试
```
sh run.sh
```