广东工业智造创新大赛季军-布匹疵点检测python源码+文档说明+数据

# 2019广东工业智造创新大赛【赛场一】季军解决方案 全套代码 队伍：**天池水也太深了** ## 比赛地址：[2019广东工业智造创新大赛 布匹疵点检测](https://tianchi.aliyun.com/competition/entrance/231748/introduction?spm=5176.12281957.1004.9.38b02448pYKHIm) ## NEW !!! 感谢大家的关注，由于近期很多同学需要数据学习使用，经过和天池的沟通，可以将数据共享给大家学习使用 数据下载地址： [百度网盘](https://pan.baidu.com/s/1DT8vlFELrjfgczGBZ1yEzQ) (密码：jp7d) ## TIPS: 因为官方给的原始数据压缩包大于4gb，我这里对每一个包进行了分卷压缩，大家注意分卷解压缩使用 ## core slides:       ## 算法流程&方案介绍 CFRCNN--变化检测思路 + 输入图片预处理 - 将代检测图片和模板图片沿通道方向合并, 变为h*w*6的矩阵 - 归一化 - resize padding等常规操作 + 经过CFRCNN模型 - 基本框架：Cascade-RCNN - 输入改变为6个通道的conv, 同时输入待检测图像和对应模板进行变化检测 - backbone： resnet50 - cascade 三个head 根据比赛map计算iou进行对应调整 - 为了解决其中三类面积过大的问题, 额外训练一个小尺度大感受野的专家模型 - 采用fp16加速训练和增大输入面积来缓解部分小目标问题 + 后处理 - NMS - 最大score二类后处理, 根据单个图片bbox最高score来对图像进行二次过滤, 判断该图像是否是正常样本 ### 创新性 + 变化检测 - 根据赛题任务, 采用变化检测思路处理检测任务 - 调整输入层为样本和模板同时输入 让模型学到目标和模板之间的变化差异, 使模型在切换模板后依然有良好泛化能力 + 专家模型解决感受野不足问题 - 为了降低模型复杂度, 没有采用大感受野复杂模型或者增加大anchor, 而是以resnet50为backbone - resnet50感受野不足, 并且原始anchor大小不足，导致缝头、缝头印和色差等面积很大的类漏检 - 训练一个400尺度的大感受野专家模型 - 去掉面积过小的目标, 保证梯度稳定 + cascade iou阈值适应赛题map要求 - cascade 每个head的预测bbox结果在其对应iou阈值的AP上效果最好 - 根据比赛0.1 0.3 0.5的iou要求, 将cas三个head的iou阈值调整为0.4 0.5 0.6（可能 0.3 0.4 0.5效果更佳，未能尝试） - 同时rcnn 正负样例放松overlap要求放松为 0.6 0.2 + 最大score二类后处理 - 为了保持map的同时保证acc, 依据单个样本最高score的bbox置信度大小进行二次过滤分出正常图像 ## 代码环境及依赖 + OS: Ubuntu16.10 + GPU: 2080Ti * 4 + python: python3.7 + nvidia 依赖: - cuda: 10.0.130 - cudnn: 7.5.1 - nvidia driver version: 430.14 + deeplearning 框架: pytorch1.1.0 + 其他依赖请参考requirement.txt ## 训练数据准备(后面训练部分会有阐述如何一次性运行，这里只阐述过程) - **相应文件夹创建准备** - 在data目录中创建fabric文件夹 - 进入fabric文件夹,创建以下文件夹: annotations Annotations defect_Images template_Images - **训练数据路径移动** - 将 guangdong1_round2_train_part1_20190924, guangdong1_round2_train_part2_20190924, guangdong1_round2_train_part3_20190924和 guangdong1_round2_train2_20191004_images中 defect目录中的所有文件夹下的非模板图片复制到 data/fabric/defect_Images 目录下 - 将 guangdong1_round2_train_part1_20190924, guangdong1_round2_train_part2_20190924, guangdong1_round2_train_part3_20190924和guangdong1_round2_train2_20191004_images中 defect目录中的所有文件夹复制到 data/fabric/template_Images 目录下 - **label文件合并及格式转换** - 将round2中两个轮次的label文件合并到 anno_train_round2.json中，然后移动到data/fabric/Annotations 目录下 - 将刚才的label文件转换为COCO格式，新的label文件 instances_train_20191004_mmd.json 和 instances_train_20191004_mmd_100.json会保存在 data/fabric/annotations 目录下 - **预训练模型下载** - 使用mmdetection官方开源的casacde-rcnn-r50-fpn-2x的COCO预训练模型 - 下载预训练模型后进行转换变为支持CFRCNN模型的预训练模型 ## 依赖安装及编译 - **依赖安装编译** 1. 创建并激活虚拟环境 conda create -n guangdong python=3.7 -y conda activate guangdong 2. 安装 pytorch conda install pytorch=1.1.0 torchvision=0.3.0 cudatoolkit=10.0 -c pytorch 3. 安装其他依赖 pip install cython && pip --no-cache-dir install -r requirements.txt 4. 编译cuda op等： python setup.py develop ## 模型训练及预测 - **训练** 1. **运行:** cd train & ./train.sh 2. 训练过程文件及最终权重文件均保存在data目录中 - **预测** 1. 线上docker已经提交过预测全部内容，这里依然认为测试数据挂载在/tcdata 2. **运行:** ./run.sh ## Contact author：rill email：18813124313@163.com