宣讲会概况
- 活动：AIC 算法大赛专场宣讲会（南京站）
- 时间：2026 年 6 月 28 日（周日）14:30—16:00
- 地点：南京大学（仙林校区）人工智能学院 · 大数据与人工智能科研楼一楼报告厅
赛题解读
赛题 1：基于视频大模型的通用视频高光剪辑
- 出题单位：华为公司
- 奖项设置：全国总决赛一等奖前七名队伍可获得奖金
- 冠军奖：第 1 名，50,000 元/团队
- 亚军奖：第 2–3 名，30,000 元/团队
- 季军奖：第 4–7 名，10,000 元/团队
赛题 2：板材表面缺陷检测
- 出题单位：南京钢铁集团
- 官方赛题页：https://www.aicomp.cn/tracks/tracks-1/4174.html
赛题背景
钢铁板材（如中厚板）是国家重大工程的基础骨干材料，表面质量直接关系到最终产品的安全服役性能。传统缺陷检测依赖人工目视或早期规则算法，存在效率低、易漏检、难以适应多品种等瓶颈。真实工业产线中，板材表面常伴有水渍、油污、氧化铁皮脱落等强伪影干扰，缺陷形态复杂、空间尺度跨度极大，且严重缺陷样本罕见，导致训练数据呈典型长尾分布。本赛题旨在推动视觉大模型与智能检测技术在复杂工业制造场景下的前沿探索与落地。应用场景
- 自动化产线表面质检：在高速轧制产线上替代人工巡检，实时定位裂纹、划伤、结疤等缺陷，实现在线拦截与智能定级。
- 复杂工况下的伪影过滤：区分真实缺陷与水渍、油污、粉尘等伪影，降低误检率。
- 跨产线视觉感知与快速部署：克服不同产线在相机、光源、品种、规格上的分布偏移，降低新产线适配成本。
赛题任务
参赛者需基于赛方提供的真实工业产线高分辨率板材图像数据，构建高精度目标检测模型：- 缺陷检测与精准定位：在强背景干扰下精准识别 9 类板材表面缺陷，输出缺陷类别及边界框位置。
- 极难样本与跨线泛化优化：针对极度不平衡的长尾数据，设计算法策略以最大化召回率，坚决杜绝漏检。
数据说明
- 数据来源：南京钢铁股份有限公司中厚板核心产线的表面质量在线检测系统，由高分辨率工业线阵相机在高速轧制工况下实时抓拍，并经人工筛选与专家标注。
- 数据规模：约 5,000 张高分辨率工业图像，划分为训练集（约 3,200 张）、初赛测试集（约 800 张）、复赛与半决赛测试集（约 1,000 张）。
- 图像规格：单通道灰度图，典型分辨率为 4096 × 3000 像素，格式为
.jpg或.png。 - 标注格式：PASCAL VOC 格式
.xml文件，包含图像尺寸、缺陷类别与边界框坐标。 - 合并后类别：
输入输出说明
- 输入：高分辨率工业图像（
.jpg/.png）及同名 PASCAL VOC 标注文件（.xml）。 - 输出：对所有测试图像生成
submission.json，每个预测目标包含：image_id：测试图像文件名category_name：缺陷类别标签（如zonglie、jiaza、huashang等）bbox：[xmin, ymin, xmax, ymax]绝对像素坐标score：0–1 之间的置信度得分
算法设计要求
- 模型类型：鼓励使用深度学习目标检测算法，包括但不限于 YOLO 系列、DETR 系列等。
- 创新性：鼓励针对强伪影干扰、多尺度缺陷、长尾分布与跨域泛化等问题提出专属改进。
- 禁止项：
- 严禁调用商业闭源视觉大模型或在线推理 API（如 GPT-4V、Gemini API 等）。
- 禁止人工干预测试结果。
- 禁止多模型无脑集成（如多模型投票、加权平均等）。
- 严禁泄露官方数据集、对测试集人工标注或将其混入训练环节。
性能指标
本赛题采用精确率（Precision）与召回率（Recall）作为核心评估指标： 在保障基础精确率的前提下，算法应尽可能追求高召回率，避免漏检致命缺陷。系统将根据预测结果与隐藏标签计算 mAP 等评测指标。提交要求
- 线上阶段：提交 JSON 格式预测结果文件，每天最多提交 5 次，排行榜以最后一次提交为准。
- 线下阶段：需提交完整代码、可执行模型权重、技术方案报告（PDF）、A1 海报（PNG，300 dpi）及答辩 PPT。
奖励设置
- 冠军奖：第 1 名，8,000 元/团队
- 亚军奖：第 2–3 名，6,500 元/团队
- 季军奖：第 4–6 名，3,000 元/团队
联系方式
- 赛题交流 QQ 群：333650987
- 邮箱：wujialin@njsteel.com.cn
- 报名官网：www.aicomp.cn
更多赛题与报名
- 更多算法赛题
- 宣讲会入校及报名流程（详见官方通知）
在线报名时请在最后填写推荐参会老师姓名。