Advertisement

谢韦尔钢铁缺陷数据集：Severstal-steel-defect

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

简介：
谢韦尔钢铁缺陷数据集（Severstal-Steel-Defect）包含用于检测钢铁生产过程中各类表面瑕疵的数据。该数据集旨在通过机器学习模型提升质量控制的准确性与效率，适用于图像分类任务。 该数据集包含4种类型的带钢表面缺陷，共有6666张图片，每张图片的像素尺寸为800×128，并且已经附有txt格式的标签文件，可以直接开始训练使用。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 谢韦尔钢铁缺陷数据集：Severstal-steel-defect
    优质
    谢韦尔钢铁缺陷数据集（Severstal-Steel-Defect）包含用于检测钢铁生产过程中各类表面瑕疵的数据。该数据集旨在通过机器学习模型提升质量控制的准确性与效率，适用于图像分类任务。 该数据集包含4种类型的带钢表面缺陷，共有6666张图片，每张图片的像素尺寸为800×128，并且已经附有txt格式的标签文件，可以直接开始训练使用。
     
  • Kaggle上Severstal钢铁缺陷检测数据集(YOLO格式)
    优质
    本数据集来自Kaggle Severstal钢铁缺陷检测竞赛，包含用于训练和测试YOLO模型的图像及标注文件，助力工业自动化缺陷识别研究。 从Kaggle上的RLE格式转换过来的数据包含6666张图片及其标签。classes文件已包含在包内，可以直接用labelimg打开使用。数据集中的类别编号为1234，因为源文件的RLE标签里的分类就是这几个数字，并未声明这些数字具体对应哪种缺陷种类。 今年年初开始整理这个数据集，不过要在这个数据集中获得较好的训练结果似乎比较困难。
     
  • NEU钢铁表面缺陷数据集
    优质
    NEU钢铁表面缺陷数据集是由东北大学研究团队创建的专业数据库，汇集了大量的钢铁表面图像样本及详细标注信息，旨在促进机器学习算法在自动检测和分类工业产品表面瑕疵方面的应用与发展。 基于机器视觉的表面缺陷检测设备已在多个工业领域得到广泛应用，包括3C产品、汽车制造、家电生产、机械加工、半导体与电子产业、化工行业、医药制造业以及航空航天及轻工等行业。其中，针对钢材表面缺陷的数据集NEU-CLS可用于分类和定位任务，它收集了热轧钢带的六种典型表面缺陷：轧制氧化皮（RS）、斑块（Pa）、开裂（Cr）、点蚀表面（PS）、内含物（In）以及划痕（Sc）。该数据集中共有1,800张灰度图像，每一种类型的缺陷包含300个样本。
     
  • steel-defect-segmentation: 基于EfficientNet的Unet++模型在钢缺陷分割中的应用-源码
    优质
    本项目利用基于EfficientNet的Unet++架构进行深度学习训练，旨在优化钢缺陷图像的自动分割技术。通过改进的传统U型网络结构，结合高效的特征提取能力，有效提升了工业检测中的精度和效率。该项目提供了完整的代码实现与模型训练方案，便于研究者们参考应用。 钢缺陷检测、分割和分类项目正在更新中，预计完成时间为2021年3月1日。
     
  • Steel Defect Detection
    优质
    Steel Defect Detection项目致力于研发高效准确的技术手段，用于识别和分类钢铁生产过程中的各类缺陷。通过结合机器学习与图像处理技术，提升产品质量控制水平，保障工业安全及性能标准。 钢缺陷检测是指通过各种方法和技术来识别钢材在生产过程中可能出现的各种质量问题或瑕疵，以确保最终产品的质量和安全性。这些方法可能包括无损检测技术、视觉检查以及自动化设备的应用等，旨在提高生产的效率与可靠性。
     
  • 基于NEU-DET数据集的钢材表面缺陷检测_Steel-surface-defect-detection.zip
    优质
    本项目提供了一个利用深度学习技术进行钢材表面缺陷检测的研究方案，采用NEU-DET数据集训练模型，旨在提高工业生产中的质量控制效率。Steel-surface-defect-detection.zip文件包含了相关代码和预训练模型。 针对NEU-DET数据集的钢材表面缺陷检测研究主要集中在提高检测精度、减少误报率以及优化算法效率等方面。该领域的工作通常会利用深度学习技术来识别不同类型的表面缺陷，如裂纹、气孔等，并通过大规模的数据训练模型以达到更好的效果。
     
  • 铁轨表面缺陷数据集.7z
    优质
    铁轨表面缺陷数据集.7z包含用于检测和分类铁路轨道表面各类损伤（如裂纹、锈蚀等）的图像及标注信息，旨在提升轨道交通安全与维护效率。 铁轨表面缺陷数据集RSDDs包括两种类型的数据：第一种是从快车道捕获的I型RSDDs数据集，包含67张具有挑战性的图像；第二种是从普通/重型运输轨道获取的II型RSDDs数据集，包含128张同样具有挑战性的图像。每个图像至少有一个缺陷，并且背景复杂、噪声大。这些缺陷由在轨道表面检查领域工作的专业人员进行了标记。
     
  • NEU-DET：钢材表面缺陷数据集
    优质
    NEU-DET是专门针对钢材表面缺陷设计的数据集，包含大量高质量图像，旨在推动工业视觉检测领域的算法研究与应用。 钢材表面缺陷数据集NEU-DET是一个专门用于检测和分类钢材表面各种缺陷的数据集合。该数据集包含了大量的图像样本及其对应的标签，旨在帮助研究人员开发更有效的机器学习模型来识别和分析钢铁材料的表面问题。通过使用这样的资源，可以提高工业生产中的质量控制效率，并减少由于表面瑕疵导致的产品故障率。