Advertisement

东北大学钢材表面缺陷检测(目标检测数据集COCO格式)

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:ZIP


简介:
本数据集源自NEU的表面缺陷检测资源库,归纳了6种典型的热轧带钢表面缺陷类型,包括氧化铁皮压入(RS)、斑块(Pa)、开裂(Cr)、点蚀(PS)、夹杂(In)和划痕(Sc),分别对应crazing, inclusion, patches, pitted_surface, rolled-in_scale以及scratches。其中训练集包含1260幅图片,验证集为361幅图片,测试集则有180幅图片。该图展示了六类常见表面积损的照片。每张图片均为200×200像素分辨率。这些缺陷之间存在明显差别,例如斑点状损伤、裂缝和腐蚀现象;而同一类别中的缺陷则可能呈现出不同的形态特征,如水平划痕、垂直划痕或斜向划痕等。值得注意的是,在相同的光源条件下,相同类型的照片可能会因材质变化而导致灰度有所差异。数据集包含了分类信息及其对应的位置标记。这些行业领域在生产过程中会产生一些可燃有毒有害的气体,当泄漏时与周围空气混合后会生成一种具有爆炸危险性的混合物。钢铁行业被归类为高风险行业,在其生产的各个环节中存在着高温高压、易燃易爆以及有毒有害等潜在危险因素。安全隐患始终 hangs over the heads of leadership in these industries.

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 的带
    优质
    简介:东北大学的带钢表面缺陷数据集是一个专注于钢铁制造行业质量控制的数据集合,用于检测和分类带钢生产过程中的各种表面缺陷。该数据集为研究人员提供大量标注图像样本,以推动机器学习算法在工业视觉检测领域的应用与创新。 东北大学带钢表面缺陷数据集
  • 瑕疵(采用YOLO
    优质
    该数据集专为东北大学研发,基于YOLO格式设计,用于训练和测试钢带表面瑕疵检测模型,促进工业视觉检测技术进步。 可以直接适配YOLO网络的数据格式。
  • YOLOv8权重、和QT界GUI
    优质
    本项目基于YOLOv8模型开发,旨在实现高效的钢材表面缺陷检测。通过定制化训练权重与专用数据集优化算法性能,并结合Qt框架构建用户友好的图形界面(GUI),提供便捷的图像识别服务。 YOLOv8用于钢材缺陷检测的模型已经训练完成,并且包含各种类型的缺陷分类、PR曲线以及loss曲线。该系统附带的数据集通过lableimg软件进行标注,图片格式为jpg,标签分为xml和txt两种格式,分别存储在两个不同的文件夹中。 此外,还提供了一个使用PyQt开发的界面,可以用于检测图片、视频及调用摄像头,并有相应的选择项供用户操作。
  • -RSDDs
    优质
    RSDDs数据集专注于铁路安全,专门用于检测钢轨表面的各种缺陷。该数据集包含大量标记图像,涵盖不同类型的损伤和瑕疵,适用于训练深度学习模型以提高轨道维护效率与准确性。 RSDDs数据集是专门用于钢轨表面缺陷检测的数据集合,它由两个精心策划的子数据集组成,每个子数据集都针对不同类型的铁路轨道。 Type-I RSDDs 子数据集: 这个子数据集专注于高速客运铁路(express rails)上的钢轨表面缺陷。该子数据集中包含67张高分辨率图像,每张图片尺寸为160像素宽和1000像素长,以捕捉细节丰富的缺陷特征。这些图像是从实际的高速客运铁路轨道采集而来,反映了在高速列车运行环境下钢轨所遭受的各种磨损与损伤情况。 Type-II RSDDs 子数据集: 不同于Type-I子数据集,Type-II收集自普通及重载货运铁路(common/heavy haul rails)。该子数据集中包含128张图像,每张图片尺寸为55像素宽和1250像素长,以适应在高负载、频繁使用的环境中检测钢轨表面缺陷的需求。这些图像是为了展示重载货运铁路轨道上的典型磨损与损坏情况而特别挑选出来的。 两个子数据集中的所有图像都经过精心选择,确保每张图片至少包含一个明显的钢轨表面缺陷特征,如裂纹、磨损和剥离等现象。背景设计复杂多样,模拟了实际操作环境下的变化多端性,并且增加了数据集的实用性和挑战度。
  • NEU-DET:支持六种识别
    优质
    NEU-DET钢材表面缺陷检测数据集专为工业应用设计,内含大量标注样本,旨在提升六类常见钢材表面瑕疵(如裂纹、气泡等)的自动识别精度。 钢材表面缺陷检测数据集NEU-DET包含YOLO模型所需处理好的.txt标签文件,并已测试通过;还包括所有1800张原始图片及对应的标签xml文件。
  • 基于YOLOV8的
    优质
    本研究采用先进的YOLOv8算法,致力于提升钢材表面缺陷检测的效率与准确性,为工业质量控制提供强有力的技术支持。 【标题】利用YOLOV8算法检测钢材表面缺陷 【描述】本技术基于YOLO(You Only Look Once)系列的最新版本——YOLOV8对钢材表面缺陷进行高效且准确的识别。 1. **轻量级模型**:使用了名为“YOLOV8NANO”的轻量化变体,特别适合资源有限的设备如嵌入式系统或移动设备。它在减少计算复杂度的同时保持较高的检测性能。 2. **训练过程**:通过大量钢材表面图像数据,利用PyTorch框架训练得到PT模型,并使其学会识别和定位各种类型的缺陷。 3. **格式转换**:将上述获得的PT模型转化为ONNX(Open Neural Network Exchange)格式。这一步骤允许该模型在不依赖于特定深度学习库的情况下运行,在不同平台上实现跨平台部署。 4. **集成OPENCV DNN模块**:利用OpenCV中提供的DNN功能直接加载并执行转换后的ONNX文件,支持C++和Python等语言进行实时推理操作。 【标签】opencv dnn c++ python android 此外,项目还提供了用于不同环境下的钢材表面缺陷检测应用开发的支持。具体而言,开发者可以基于该模型编写针对服务器端、桌面软件或移动设备的应用程序来实现此功能。 综上所述,本技术通过利用YOLOV8NANO模型进行训练和优化,并结合OpenCV的DNN模块,在多个平台上实现了高效的钢材表面缺陷检测能力。