钢材缺陷分类检测及标记

这个是去年的比赛，过了很久了才来记录一下。
附上IEEE-CIS Fraud Detection的总结

赛题理解

kaggle链接
竞赛主要目的是钢材图片进行缺陷检测分类及标记，图像识别的机器学习问题，使用到了google的开源框架，EfficientNet

评估标准：是Dice coefficient戴斯相似性系数 （倾向于保守预计，错判比漏判损失严重）

结果：0.90798，0.91685

数据介绍

train_images, test_images, train.csv(注：现在看到的这个表和原来的表结构不太一样了)
图片大小是(256, 1600)，缺陷类别有4种，
Pixels（图像标签）→ 原图片的缺陷是没有标注，要用这个圈出来，表示方法是用一组组起点+长度表示

原来的表结构现在的表结构

过程思路

一、数据分析和处理，主要是做图片数据增强，使用albu 库的随机水平翻转 RandomHorizonalFlip

二、 模型建立，这里有2步，因为这个赛题是要找出有缺陷的图片并标记出来是哪种缺陷，所以第一步是检测图片有没有缺陷，毕竟，没有缺陷就没有必要往下走了，另外，评估标准是Dice coefficient戴斯相似性系数，也就是如果一个没有缺陷的图片被标记有缺陷，对分数的损失比一个有缺陷的图片没有被找出来更大。所以分类模型更倾向于没有图片没有缺陷

• 建立分类模型：检测这个图片有没有缺陷，在前面的图片分析种，大部分图片是没有锈斑的，这种就没有没有必要去做一个分割网络，因为没有loss，容易出问题

  分别用EfficientNet-b2，EfficientNet-b3，并且将这2个模型进行一个简单的融合，这是一个多分类任务，5种 （包含无锈斑）

  • 输入部分：①原图② RandomCrop 获取256*800 一半size的图片
    参数：batch size=64，优化器=AdamW ，学习率=0.003

• 分割模型(segmentation_models_pytorch)：对于被检测出有锈斑的图片，对每个像素点做分类任务

  用到FPN: 一种高效的CNN特征提取方法，输入为任意大小的图片，输出为各尺度的 feature map。

  其中 bottleneck layer是EfficientNet-b3，ENCODER = ‘efficientnet-b3’