# Deep-Learning-Approach-for-Surface-Defect-Detection
A Tensorflow implementation of "**Segmentation-Based Deep-Learning Approach for Surface-Defect Detection**"
(***秒杀 DeepLabV3+ 和 Unet 的 缺陷检测网络***)
The author submitted the paper to Journal of Intelligent Manufacturing (https://link.springer.com/article/10.1007/s10845-019-01476-x), where it was published In May 2019 .
# The test environment
```
python 3.6
cuda 9.0
cudnn 7.1.4
Tensorflow 1.12
```
# You should know
I used the Dataset used in the papar, you can download [KolektorSDD](https://www.vicos.si/Downloads/KolektorSDD) here.
If you train you own datset ,you should change the dataset interfence for you dataset.
You can refer to the [paper](https://link.springer.com/article/10.1007/s10845-019-01476-x) for details of the experiment.
# my experimental results on KolektorSDD
**Notes:** the first 30 subfolders are used as training sets, the remaining 20 for testing. Although, I did not strictly follow the params of the papar , I still got a good result.
```
2019-05-21 09:20:54,634 - utils - INFO - total number of testing samples = 160
2019-05-21 09:20:54,634 - utils - INFO - positive = 22
2019-05-21 09:20:54,634 - utils - INFO - negative = 138
2019-05-21 09:20:54,634 - utils - INFO - TP = 21
2019-05-21 09:20:54,634 - utils - INFO - NP = 0
2019-05-21 09:20:54,634 - utils - INFO - TN = 138
2019-05-21 09:20:54,635 - utils - INFO - FN = 1
2019-05-21 09:20:54,635 - utils - INFO - accuracy(准确率) = 0.9938
2019-05-21 09:20:54,635 - utils - INFO - prescision(查准率) = 1.0000
2019-05-21 09:20:54,635 - utils - INFO - recall(查全率) = 0.9545
```
**visualization:**
![kos49_Part4.jpg](/visualization/test/kos48_Part5.jpg)
# testing the KolektorSDD
After downloading the KolektorSDD and changing the param[data_dir]
```
python run.py --test
```
Then you can find the result in the "/visulaiation/test" and "Log/*.txt"
# training the KolektorSDD
**First, only the segmentation network is independently trained, then the weights for the segmentation network are frozen and only the decision network layers are trained.**
training the segment network
```
python run.py --train_segment
```
training the decision network
```
python run.py --train_decision
```
training the total network( not good)
```
python run.py --train_total
```
没有合适的资源?快使用搜索试试~ 我知道了~
Python-基于分割的深度学习表面缺陷检测方法的一个Tensorflow实现
共183个文件
jpg:160个
pyc:7个
py:6个
1星 需积分: 48 132 下载量 47 浏览量
2019-08-11
06:12:22
上传
评论 30
收藏 64.44MB ZIP 举报
温馨提示
(秒杀 DeepLabV3 和Unet 的缺陷检测网络)基于分割的深度学习表面缺陷检测方法(cvpr2019)的一个Tensorflow实现
资源推荐
资源详情
资源评论
收起资源包目录
Python-基于分割的深度学习表面缺陷检测方法的一个Tensorflow实现 (183个子文件)
checkpoint 375B
ckp-486.data-00000-of-00001 59.76MB
FCNN_OCR.iml 455B
ckp-486.index 2KB
kos32_Part1.jpg 79KB
kos41_Part1.jpg 79KB
kos41_Part7.jpg 78KB
kos47_Part4.jpg 78KB
kos32_Part2.jpg 77KB
kos31_Part1.jpg 77KB
kos41_Part2.jpg 77KB
kos31_Part3.jpg 77KB
kos47_Part2.jpg 77KB
kos35_Part5.jpg 77KB
kos40_Part5.jpg 77KB
kos36_Part4.jpg 76KB
kos36_Part3.jpg 76KB
kos36_Part5.jpg 76KB
kos41_Part0.jpg 76KB
kos31_Part2.jpg 76KB
kos41_Part5.jpg 76KB
kos32_Part0.jpg 76KB
kos40_Part4.jpg 76KB
kos47_Part3.jpg 76KB
kos44_Part7.jpg 75KB
kos40_Part3.jpg 75KB
kos47_Part7.jpg 75KB
kos33_Part6.jpg 75KB
kos37_Part0.jpg 75KB
kos31_Part0.jpg 75KB
kos38_Part1.jpg 75KB
kos32_Part3.jpg 75KB
kos44_Part3.jpg 75KB
kos44_Part6.jpg 75KB
kos41_Part4.jpg 75KB
kos31_Part4.jpg 75KB
kos47_Part1.jpg 75KB
kos35_Part1.jpg 75KB
kos47_Part5.jpg 75KB
kos32_Part4.jpg 74KB
kos34_Part0.jpg 74KB
kos46_Part7.jpg 74KB
kos39_Part5.jpg 74KB
kos41_Part6.jpg 74KB
kos35_Part4.jpg 74KB
kos39_Part4.jpg 74KB
kos44_Part4.jpg 74KB
kos39_Part7.jpg 74KB
kos41_Part3.jpg 74KB
kos34_Part4.jpg 74KB
kos33_Part0.jpg 74KB
kos34_Part5.jpg 74KB
kos34_Part6.jpg 74KB
kos38_Part7.jpg 74KB
kos34_Part7.jpg 74KB
kos45_Part1.jpg 74KB
kos38_Part0.jpg 73KB
kos35_Part6.jpg 73KB
kos40_Part2.jpg 73KB
kos46_Part6.jpg 73KB
kos44_Part0.jpg 73KB
kos33_Part7.jpg 73KB
kos44_Part5.jpg 73KB
kos36_Part1.jpg 73KB
kos47_Part6.jpg 73KB
kos35_Part7.jpg 73KB
kos46_Part5.jpg 73KB
kos32_Part7.jpg 73KB
kos45_Part2.jpg 73KB
kos44_Part2.jpg 73KB
kos33_Part5.jpg 73KB
kos43_Part1.jpg 73KB
kos36_Part7.jpg 73KB
kos47_Part0.jpg 73KB
kos45_Part3.jpg 72KB
kos37_Part4.jpg 72KB
kos35_Part2.jpg 72KB
kos46_Part1.jpg 72KB
kos31_Part7.jpg 72KB
kos31_Part6.jpg 72KB
kos40_Part1.jpg 72KB
kos38_Part5.jpg 72KB
kos36_Part6.jpg 72KB
kos39_Part6.jpg 72KB
kos36_Part0.jpg 72KB
kos45_Part0.jpg 72KB
kos48_Part5.jpg 72KB
kos36_Part2.jpg 71KB
kos33_Part1.jpg 71KB
kos37_Part1.jpg 71KB
kos37_Part7.jpg 71KB
kos38_Part6.jpg 71KB
kos37_Part5.jpg 71KB
kos35_Part3.jpg 71KB
kos32_Part5.jpg 71KB
kos46_Part0.jpg 71KB
kos35_Part0.jpg 71KB
kos42_Part7.jpg 71KB
kos39_Part3.jpg 70KB
kos42_Part0.jpg 70KB
共 183 条
- 1
- 2
资源评论
- neu18352019-08-23去https://github.com/Wslsdx/Deep-Learning-Approach-for-Surface-Defect-Detection下吧,github上下载的也弄过来赚钱,有没有点道德。
weixin_39840387
- 粉丝: 783
- 资源: 3万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- DMN2041L-7-F-VB一款N-Channel沟道SOT23的MOSFET晶体管参数介绍与应用说明
- 辅助抢红包APP无需root
- ssm框架概述.pdf
- DMN2020LSN-VB一款SOT23封装N-Channel场效应MOS管
- kafka教程.pdf
- DMN2020LSN-7-VB一款SOT23封装N-Channel场效应MOS管
- DMN2005K-7-VB一款N-Channel沟道SOT23的MOSFET晶体管参数介绍与应用说明
- 度目视频分析盒子B1 HTTP 开发文档
- DMN100-7-F-VB一款SOT23封装N-Channel场效应MOS管
- 清华大学计算机科学与技术专业课程介绍
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功