皮革表面缺陷检测
项目简介
如今消费者对皮革产品的质量要求越来越高，个性化需求的增加，制造商需要更精确地检测和处理每一块皮革，以确保其符合特定标准。
但人工检测方式存在效率低、准确率不高、一致性差等问题；传统算法通常需要针对特定任务进行调整，缺乏灵活性，难以快速适应新的外观检测需求或变化的产品特征。通过AI外观检测高效、精准和一致的检测能力，可帮助企业提高生产效率和产品质量，降低成本，并在激烈的市场竞争中保持竞争优势。
数据准备
检测范围：破损、褶皱、脏污等缺陷；
为同时进行破损、褶皱、脏污等缺陷检测和其像素级分割，采用多边形标注和实例分割模型方式实现。缺陷样本分配好标签后，采用labelmeAI 进行数据标注，labelmeAI支持AI模型辅助标注，与传统标注相比可提高5-10倍工作效率。
数据分析
数据分析，可以识别数据集中可能存在的偏见，从而采取措施确保模型的公平性和可解释性，了解各个特征的分布情况，有助于选择合适的预处理方法。
通过 数据分析 功能进行图像预览，统计标注数据，获取图像尺寸为 416×416 的图像 160 张， 标注的破损数量 46 个、褶皱数量100个、脏污数量65个等信息。
训练参数
- 训练集和验证集按照 8:2 的比例进行划分。
- 数据倍增选择 5，表示使用五倍的数据进行训练。数据量少时，可以选择5-10。数据量超过 1000 时，通常为 1。
- 训练尺寸 640×640；这里的训练尺寸不一定与图像尺寸相同。训练尺寸越小推理速度越快，原图尺寸在 1000×1000 以下，通常选择 320×320 或 640×640，需按实际效果调整。
- 实例分割模型默认参数：训练代数 12 代，学习率 0.001，批量大小（batchsize）2。这些参数通常不需要调整。
训练过程
查看训练过程，获取训练损失和准确率信息，可以直观地监控模型的训练过程，判断是否存在过拟合或欠拟合现象，是否模型收敛。
模型测试
使用AI测试平台，导入项目图片和训练完成的模型，可视化模型效果；通过可视化，非专业人士也能直观理解模型的预测结果和性能，可视化不同模型的性能可以帮助选择最佳模型。
推理速度
此模型在 4090 显卡的推理速度约为 500 张。
相似需求
-
布料质量检查：检测织物的缺陷，如污点、破损、色差等，确保成品的质量符合标准。
-
服装成品检查：检查成衣的缝合、颜色、图案和其他外观缺陷，确保符合设计标准。
-
汽车座椅和内饰材料检测：检查汽车内饰材料（如皮革、织物）的缺陷，确保其符合质量标准。