表面瑕疵检测——分割模型和分类模型融合模型决策实现少样本高精度（Segmentation-based deep-learning）

这是一篇根据自己的理解，复写论文《Segmentation-Based Deep-Learning Approach for Surface-Defect Detection》代码，也不知道写的对不对，但至少运行结果是自己满意的，达到了较高的准确率。

首先，《基于分割的表面缺陷检测深度学习方法》这篇论文主要是利用分割模型和分类模型进行表面瑕疵的检测，主要优势为：只需要25-30个有缺陷的样本就可完成分类，所用样本极少，具体的论文翻译，直接用google翻译，不太精准但也大致意思了解过，如果需要可留言，这篇博文主要介绍搭建网络的思路。

论文的网络模型：

可以明显得看到主要分为两个网络，Segmentation（分割网络）和Decision（决策网络），这两个网络相互融合。而且论文中也写到了训练的时候先是训练分割网络，而后将其参数freeze（冻结），训练决策网络，完成最终的瑕疵检测。

来看看我的网络思路，用的是keras。

首先是分割网络：

 

搭建就是这样子啦~~

然后是决策网络，最主要的是两者的融合，我首先将分割网络单独训练，保存了模型参数，在融合时进行调用。

先看看决策网络是如何搭建的吧！

这里面最难的是将几个层融合为一个层，用的是concatenate()函数，keras下搭建层还是很简单的。注意后面的axis要设置。

好了，重点来了。如何将两个模型进行融合到一起，作为初学者的我，提供的方法仅供参考，如果有大佬觉有有问题，欢迎指教。 

这就是我的方法了。

不管怎么样，真的一共用了70个数据，其中包括35个有缺陷（瑕疵）的样本，另外35个无瑕疵的样本，完全达到检测效果。

当然，数据采用的就是论文中所提到的KolektorSDD数据库，处理数据也有用腐蚀操作。

一切要以效果见证。

附上效果图:

也用了其他的数据集训练，效果也还不错

 

这也算是第一篇自己一点点敲出来代码进行论文的复写，很开心啦~~ 喵！