已开课！工业深度学习异常缺陷检测实战

在工业生产过程中，由于现有技术、工作条件等因素的不足和局限性，极易影响制成品的质量。其中，表面缺陷是产品质量受到影响的最直观表现，因此，为了保证合格率和可靠的质量，必须进行产品表面缺陷检测。

“缺陷”一般可以理解为与正常样品相比的缺失、缺陷或面积。表面缺陷检测是指检测样品表面的划痕、缺陷、异物遮挡、颜色污染、孔洞等缺陷，从而获得被测样品表面缺陷的类别、轮廓、位置、大小等一系列相关信息。

人工缺陷检测曾经是主流方法，但这种方法效率低下；检测结果容易受人为主观因素的影响，不能满足实时检测的要求。本课程主要针对当前工业缺陷检测过程的中的难点进行分析、给出相应的解决方案。

课程大纲

课程亮点

本课程重点分析讲解工业领域的难点，包括了小缺陷检测，超大图小缺陷检测，对比度不明显的缺陷检测、以及少样本的缺陷检测等工业难点，并给出相应的案例解决方案。除此之外，本课程还简单介绍pytorch 框架和opencv 基础功能，以及各种工业算法中的评价指标和CV大模型在工业场景中的简单应用，拓展丰富大家做项目的思路。

小目标检测案例：

低对比度案例：

少量样本学习的案例：(10张训练数据集)

异常检测案例：

学后收获

• 对工业检测算法的应用有较为深刻的认识；
• 独立解决工业缺陷检测中场景的难点；
• 收获一套完整的工业缺陷检测算法；

面向人群

• 刚入门机器视觉的本科生、研究生，重点是企业视觉开发人员；
• 想要解决常见工业难点的学员；
• 使用机器视觉落地工业缺陷检测项目的学员。

课程特色

• 以解决工业场景疑难问题为主，辅助基础知识学习。
• Cv大模型在工业领域的探讨和尝试。
• 对算法部署的引申以及做项目时需要关注考虑的问题。

开课时间

2024年4月20日晚上8点（周六），每周更新一章节。

课程答疑

本课程答疑主要在本课程对应的鹅圈子中答疑，学员学习过程中，有任何问题，可以随时在鹅圈子中提问。

备注：以上图片和视频部分来自网络，如果侵犯了您的权益，还请联系删除！