金属表面缺陷分类检测
项目简介
随着工业自动化的发展，金属材料在航空航天、汽车制造和机械工程等领域的应用越来越广泛。这些领域对材料表面质量的要求极高，任何微小的缺陷都可能影响产品的性能和安全性。
金属材料缺陷种类多样，形状复杂，金属表面可能有噪声，传统算法难以捕捉、鲁棒性不足。但AI算法能够快速处理和分析大量图像数据，显著提高检测速度，还可以识别细微的缺陷，减少人为错误，提高检测的准确性。
数据准备
检测范围：斑块、划痕、夹杂、裂纹、麻点、氧化皮
缺陷不需要其像素级分割但需要分类，采用分类模型，减少人工标注需求，提高效率。
将图像按缺陷文件夹进行分类，即可完成数据准备。
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 200×200 的图像 1600 张，划痕数量300个、夹杂数量300个、斑块数量300个、氧化皮数量300个、裂纹数量300个、麻点数量300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1，表示使用一倍的数据进行训练。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 224×224；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。
- 分类模型默认参数：训练代数 12 代，学习率 0.001，批量大小（batchsize）32。这些参数通常不需要调整。
训练过程
loss 值为0.00051，train/top1 值为100， test/top1 值为99.72；
表明模型在训练过程中表现良好，损失非常低，在训练集上的准确率达到了100%，模型对训练数据的分类能力非常强，在测试集上的准确率为99.72%。
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；
模型批量预测，模型预测图片1292张，分类结果分布：夹杂: 92、斑块: 300、麻点: 300、氧化皮: 300、划痕: 300，预测准确率为99.99%。
推理速度
此模型在 4090 显卡的推理速度约10000张/秒。
相似需求
航空航天部件检测:检测飞机和航天器的零部件生产中的结构缺陷或其他缺陷，产品的整体质量和可靠性；
塑料和复合材料检测:检测塑料制品中的气泡、裂纹等缺陷，及时发现和修复缺陷，有助于提高产品的耐用性和使用寿命；
陶瓷材料检测：检测陶瓷表面缺陷，如气泡、剥落、划痕等，防止因材料问题导致的安全事故；