EfficienetAD异常值检测之瓷砖表面缺陷检测(免费下载测试数据集和模型)

背景

当今制造业蓬勃发展,产品质量把控至关重要。从精密电子元件到大型工业板材,表面缺陷哪怕细微,都可能引发性能故障或外观瑕疵。人工目视检测耗时费力且易漏检,已无法适应高速生产线节奏。在此背景下,表面缺陷异常值检测技术应运而生,为保障产品质量筑牢根基。
在工业 4.0 浪潮下,各行业制造精度与速度飙升。汽车、3C 产品等领域,零部件表面质量直接关联成品性能与市场竞争力。然而,传统检测手段难应对复杂工艺下的微小缺陷。EfficienetAD 表面缺陷异常值检测技术应需登场,凭借高效精准算法,突破瓶颈,助力企业严守质量关。
本文以磁砖表面为例,说明异常值检测算法EfficienetAD的应用
工程戳这里获取,含模型

数据集

Baidu Netdisk 提取码:8888

data
├── test
│   ├── crack
│   ├── glue_strip
│   ├── good
│   ├── gray_stroke
│   ├── oil
│   └── rough
└── train└── good

训练

python abnormalnet.py --type train

训练输出

epoch 386,current batch loss 2.834839, total loss: 764.140365, best loss: 539.619580, best epoch: 357, lr: 0.000859: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 55.68it/s]
epoch 387,current batch loss 2.765792, total loss: 580.103407, best loss: 539.619580, best epoch: 357, lr: 0.000828: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 56.39it/s]
epoch 388,current batch loss 2.763565, total loss: 547.897930, best loss: 539.619580, best epoch: 357, lr: 0.000105: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 55.39it/s]
epoch 389,current batch loss 3.261899, total loss: 566.002666, best loss: 539.619580, best epoch: 357, lr: 0.000216: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 56.52it/s]
epoch 390,current batch loss 3.099142, total loss: 631.268924, best loss: 539.619580, best epoch: 357, lr: 0.000926: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 55.32it/s]
epoch 391,current batch loss 2.652505, total loss: 564.764595, best loss: 539.619580, best epoch: 357, lr: 0.000737: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 55.40it/s]
epoch 392,current batch loss 2.483046, total loss: 537.808009, best loss: 539.619580, best epoch: 357, lr: 0.000048: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 55.93it/s]
Intermediate map normalization: 100%|███████████████████████████23/23 [00:00<00:00, 24.16it/s]
Intermediate inference: 100%|████████████████████████████| 117/117 [00:03<00:00, 32.69it/s]
Intermediate image auc: 100.0000
epoch 393,current batch loss 2.791982, total loss: 582.599108, best loss: 537.808009, best epoch: 392, lr: 0.000312: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 55.78it/s]
epoch 394,current batch loss 2.874834, total loss: 735.932301, best loss: 537.808009, best epoch: 392, lr: 0.000973: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 55.20it/s]
epoch 395,current batch loss 2.617457, total loss: 565.374229, best loss: 537.808009, best epoch: 392, lr: 0.000636: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 55.27it/s]
epoch 396,current batch loss 2.653447, total loss: 544.357111, best loss: 537.808009, best epoch: 392, lr: 0.000012: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 56.21it/s]
epoch 397,current batch loss 3.644118, total loss: 593.403939, best loss: 537.808009, best epoch: 392, lr: 0.000418: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 55.94it/s]
epoch 398,current batch loss 3.141065, total loss: 634.366765, best loss: 537.808009, best epoch: 392, lr: 0.000997: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 55.15it/s]
epoch 399,current batch loss 2.824724, total loss: 543.553844, best loss: 537.808009, best epoch: 392, lr: 0.000528: 100%|████████████████████████████████████████████████| 207/207 [00:03<00:00, 56.30it/s]

测试auc值

python abnormalnet.py --type auc

输出

load weights from: output/best.pkl
Inference: 100%|████████████████| 117/117 [00:06<00:00, 18.17it/s]
Image auc: 100.0000

单张测试

python abnormalnet.py --type test -i data/test/crack/001.png

示例1:
在这里插入图片描述在这里插入图片描述在这里插入图片描述
示例2:
在这里插入图片描述在这里插入图片描述在这里插入图片描述
示例3:
在这里插入图片描述在这里插入图片描述在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/64817.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

将Minio设置为Django的默认Storage(django-storages)

这里写自定义目录标题 前置说明静态文件收集静态文件 使用django-storages来使Django集成Minio安装依赖settings.py测试收集静态文件测试媒体文件 前置说明 静态文件 Django默认的Storage是本地&#xff0c;项目中的CSS、图片、JS都是静态文件。一般会将静态文件放到一个单独…

Redis生产实践中相关疑问记录

1. Redis相关疑问 1.1. redis内存使用率100% 就等同于redis不可用吗&#xff1f; 正常使用情况下&#xff0c;不是。 redis有【缓存淘汰机制】&#xff0c;Redis 在内存使用率达到 100% 时不会直接崩溃。相反&#xff0c;它依赖内存淘汰策略来释放内存&#xff0c;确保系统的…

量化交易——RSI策略(vectorbt实现)

本文为通过vectorbt&#xff08;以下简称vbt&#xff09;实现量化交易系列第一篇文章&#xff0c;通过使用vbt实现RSI策略从而熟悉其代码框架。 关于本文所使用数据的说明 由于vbt官方文档提供的入门案例使用的数据是通过其内置的yfinance包获取&#xff0c;在国内无法直接访…

Centos gcc 12.3 安装

参考博文1:Centos系统升级gcc_centos6升级gcc-CSDN博客 参考博文2:centos7升级gcc9之代码笔记_centos7 gcc9-CSDN博客 CentOS系统通常自带的软件包管理器(如YUM)不会包含最新版本的GCC,要安装GCC 12.3,你需要使用CentOS的第三方仓库,或者从源代码编译。 如果选择从源…

本地摄像头视频流在html中打开

1.准备ffmpeg 和(rtsp-simple-server srs搭建流媒体服务器)视频服务器. 2.解压视频流服务器修改配置文件mediamtx.yml ,hlsAlwaysRemux: yes 3.双击运行服务器。 4&#xff0c;安装ffmpeg ,添加到环境变量。 5.查询本机设备列表 ffmpeg -list_devices true -f dshow -i d…

debian linux 连网自动调整时间 (报错 Unit systemd-timesyncd.service could not be found.)

debian linux 连网自动调整时间 如果有报错 Unit systemd-timesyncd.service could not be found. 就用 apt 装一下 systemd-timesyncd 吧 参考: https://github.com/MichaIng/DietPi/issues/5472 sudo apt-get install systemd-timesyncd... ┌──(kali㉿kali)-[~] └─$ t…

unipp中使用阿里图标,以及闭坑指南

-----------------------------------------------------点赞收藏才是更新的动力------------------------------------------------- unipp中使用阿里图标 官网下载图标在项目中引入使用注意事项 官网下载图标 进入阿里图标网站 将需要下载的图标添加到购物车中 2. 直接下载…

设计模式の享元模板代理模式

文章目录 前言一、享元模式二、模板方法模式三、代理模式3.1、静态代理3.2、JDK动态代理3.3、Cglib动态代理3.4、小结 前言 本篇是关于设计模式中享元模式、模板模式、以及代理模式的学习笔记。 一、享元模式 享元模式是一种结构型设计模式&#xff0c;目的是为了相似对象的复用…

flink实现复杂kafka数据读取

接上文&#xff1a;一文说清flink从编码到部署上线 环境说明&#xff1a;MySQL&#xff1a;5.7&#xff1b;flink&#xff1a;1.14.0&#xff1b;hadoop&#xff1a;3.0.0&#xff1b;操作系统&#xff1a;CentOS 7.6&#xff1b;JDK&#xff1a;1.8.0_401。 常见的文章中&…

越疆科技营收增速放缓:毛利率未恢复,持续亏损下销售费用偏高

《港湾商业观察》施子夫 12月13日&#xff0c;深圳市越疆科技股份有限公司&#xff08;以下简称&#xff0c;越疆科技&#xff0c;02432.HK&#xff09;发布全球发售公告&#xff0c;公司计划全球发售4000万股股份&#xff0c;其中3800万股国际发售&#xff0c;200万股香港公开…

datasets 笔记:加载数据集(基本操作)

参考了huggingface的教程 1 了解数据集基本信息&#xff08; load_dataset_builder&#xff09; 在下载数据集之前&#xff0c;通常先快速了解数据集的基本信息会很有帮助。数据集的信息存储在 DatasetInfo 中&#xff0c;可能包括数据集描述、特征和数据集大小等信息。&…

uniapp video组件无法播放视频解决方案

前言 一般正常的视频使用video组件就能播放。但视频源存在问题&#xff0c;在浏览器能正常播放 在Hbuilderx内置浏览器 在真机无法播放 使用v-html的方式 <template> <uni-popup class"videoPop" type"center" ref"videoPop">&…

Springboot 学习 之 logback-spring.xml 日志压缩 .tmp 临时文件问题

文章目录 前言功能简述1. 自定义日志文件名2. 归档规则 && 压缩2.1. 归档配置2.2. 归档压缩2.3. 日志格式 && 编码 现象原因解决办法 前言 在 Springboot 应用中&#xff0c;默认使用 logback-spring.xml 配置日志相关 功能简述 1. 自定义日志文件名 <fi…

Java程序设计2(六)

第五章&#xff1a;IO流 &#xff08;java.io包中&#xff09; 一、理解 1. 简单而言&#xff1a;流就是内存与存储设备之间传输数据的通道、管道。 2. 分类&#xff1a; (1) 按方向(以JVM虚拟机为参照物)【重点】 输入流&#xff1a;将中的内容读入到中。 输出流&#xff1a…

Java图片拼接

最近遇到一个挺离谱的功能&#xff0c;某个表单只让上传一张图&#xff0c;多图上传会使导出失败。跟开发沟通后表示&#xff0c;这个问题处理不了。我... 遂自己思考&#xff0c;能否以曲线救国的方式拯救一下&#xff0c;即不伤及代码之根本&#xff0c;又能解决燃眉之急。灵…

工程经济学(尊享版)

工程经济学是一门应用性的经济学科 也是一门介于自然科学与社会科学的之间的边缘学科。它是根据现代科学技术和社会经济发展的需要&#xff0c;在自然科学和社会科学的发展过程中相互渗透、相互促进&#xff0c;逐渐形成和发展起来的&#xff0c;是工程技术学科和经济学科交叉的…

爬虫基础学习

爬虫概念与工作原理 爬虫是什么&#xff1a;爬虫&#xff08;Web Scraping&#xff09;是自动化地访问网站并提取数据的技术。它模拟用户浏览器的行为&#xff0c;通过HTTP请求访问网页&#xff0c;解析HTML文档并提取有用信息。 爬虫的基本工作流程&#xff1a; 发送HTTP请求…

.NET重点

B/S C/S什么语言 B/S&#xff1a; 浏览器端&#xff1a;JavaScript&#xff0c;HTML&#xff0c;CSS 服务器端&#xff1a;ASP&#xff08;.NET&#xff09;PHP/JSP 优势&#xff1a;维护方便&#xff0c;易于升级和扩展 劣势&#xff1a;服务器负担沉重 C/S java/.NET/…

STM32HAL I2C函数

8.5 使用IIC协议读写EEPROM 硬件方式实现 &#xff08;HAL库&#xff09; **HAL_I2C_Mem_Write() :这种方法可以写1个或者多个字节 ** /*** brief 以阻塞模式向指定的内存地址写入数据* param hi2c 指向 I2C_HandleTypeDef 结构体的指针&#xff0c;包含指定 I2C 的配置信息…

智能工厂的设计软件 三种处理单元(NPU/GPU/CPU)及其在深度学习框架中的作用 之5(腾讯云AI代码助手 之3)

前情提要 前面讨论了智能工厂的设计软件 中三种处理单元&#xff08;NPU/GPU/CPU&#xff09;及其在深度学习框架中的作用是协作完成一个深度学习任务。 最后通过明确深度学习本身的目的是建构一个公理化系统--作为 自然语言形式化 建模约束&#xff08;为人类编辑 &#xff0…