Advertisement

风力发电机叶片缺陷检测图像数据集（含3584张图片，VOC标注，涵盖五种缺陷类型）

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

简介：
本数据集包含3584张风力发电机叶片缺陷图像，采用VOC格式标注，全面覆盖裂纹、孔洞等五类典型缺陷，适用于深度学习模型训练与验证。 我们有3584张风力发电机缺陷图像数据集。这些图像经过增强处理（包括对比度变化扩充），以模拟不同环境下的航拍效果。标签格式采用VOC标准，具体类别及数量如下：漏油(OIL LEAKAGE)：753个；污秽物(dirt)：846个；掉漆(Paint)：2455个；侵蚀(LE-Erosion)：617个；胶带(PU-tape)：700个。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 风力发电机叶片缺陷检测图像数据集（含3584张图片，VOC标注，涵盖五种缺陷类型）
    优质
    本数据集包含3584张风力发电机叶片缺陷图像，采用VOC格式标注，全面覆盖裂纹、孔洞等五类典型缺陷，适用于深度学习模型训练与验证。 我们有3584张风力发电机缺陷图像数据集。这些图像经过增强处理（包括对比度变化扩充），以模拟不同环境下的航拍效果。标签格式采用VOC标准，具体类别及数量如下：漏油(OIL LEAKAGE)：753个；污秽物(dirt)：846个；掉漆(Paint)：2455个；侵蚀(LE-Erosion)：617个；胶带(PU-tape)：700个。
  • 输电线路绝缘子缺陷检测图像数据集（包含1688张图片，VOC格式标注，原始图片488张，涵盖四种类别）
    优质
    该数据集包括1688张图片及对应的VOC格式标注信息，其中488张为原始图，涵盖了输电线路绝缘子的四种缺陷类型。 该数据集包含1688张绝缘子缺陷图像，其中488张为原图，并经过扩充处理。标签采用VOC格式。详情可参见相关博客文章介绍。
  • 玻璃瓶盖缺陷检测，数据集包含125张图片
    优质
    本项目专注于开发用于检测玻璃瓶盖缺陷的数据集，共收集了125张图像，旨在提高制造业的质量控制效率和准确性。 基于Yolov5的玻璃瓶缺陷检测算法及其优化已在相关博客中详细介绍：该文章探讨了如何利用YOLOv5框架进行高效的玻璃瓶瑕疵识别，并提出了一系列改进措施以提升模型性能。
  • 铝片缺陷数据集，包含1400张图片，四种缺陷类型：zhen-kong、ca-shang、zang-wu、zhe-zho
    优质
    本数据集包括1400张铝片图像，涵盖四种典型缺陷：孔洞（zhen-kong）、擦伤（ca-shang）、异物（zang-wu）和折皱（zhe-zho），为机器学习与计算机视觉研究提供重要资源。 铝片缺陷数据集包括四种类型的缺陷：针孔、擦伤、脏污和褶皱。
  • PCB缺陷图像数据集-含693张JPG图片
    优质
    本数据集包含693张JPEG格式的PCB（印刷电路板）缺陷图像，旨在为机器学习算法提供训练和测试资源，以提高对PCB缺陷检测的准确性和效率。 PCB缺陷数据集包含693个jpg文件。
  • 输电线路无人机巡检缺陷检测图像数据集（含2003张图片，VOC格式，涵盖异物、防鸟刺等八类目标）
    优质
    该数据集包含2003张图片，采用VOC格式，专注于输电线路的无人机巡检，覆盖了包括异物和防鸟刺在内的八种常见缺陷类型。 内含2003幅输电线路无人机巡检典型缺陷检测图像。各类目标类别及数量如下：鸟巢478个、绝缘子4350个、防鸟刺326个、防振锤3258个、防震锤缺陷326处、闪络857处和绝缘子缺陷900处，异物190件。
  • 基于YOLO的轴承生产缺陷分类检测（数据集含568张图片，三类缺陷）
    优质
    本研究采用YOLO算法对轴承生产中的三种常见缺陷进行高效识别与分类，利用包含568张图像的数据集训练模型，旨在提升生产线上的自动化检测能力。 基于YOLO11的轴承生产缺陷智能检测系统阐述了整个数据制作和训练可视化过程。
  • 3D打印缺陷缺陷检测数据集（VOC+YOLO）5864张3类别.docx
    优质
    该数据集名称为\3D打印缺陷检测数据集\，采用标准的VOC+YOLO标注格式，共计5864张图像，划分为三个主要类别，主要用于对3D打印中的缺陷进行视觉检测。数据集结构紧凑，由1/3的原生图像和2/3的比例用于增强图像组成，所有图像都配备了丰富的标注信息。该系统使用labelImg工具进行标注操作，具体类别涵盖\spaghetti\、\stringing\和\zits\三种类型，分别代表3D打印过程中的各类缺陷类型。从数据格式上看，该集合严格按照Pascal VOC标准和YOLO主流格式构建，其中包含5864张高质量的JPG图片，每张图片都配有对应的VOC格式XML文件以及YOLO格式的txt标注文件。XML文件不仅包含了图像的基本信息，还详细标注了缺陷区域。Yolo格式的txt文件则提供了与缺陷框相对应的坐标信息和类别标签。整个标注过程力求精确反映缺陷区域的位置特征。值得注意的是，在数据集的分类设置中，YOLO格式下的类别顺序并不遵循VOC的标准，而是以项目根目录下classes.txt中的列表为准。这种设计可能旨在兼顾不同标注工具的兼容性与转换需求，为研究者提供了灵活的切换接口。对于数据集的用户而言，类别的编号对应关系需通过项目配置文件来明确。此外，本集合明确不提供任何关于模型训练效果或权重参数精度的保证信息。这意味着，在实际使用该数据集进行模型训练时，参与者需要自行评估模型性能并负责结果解读。整个数据集系统为3D打印缺陷检测领域提供了大量高质量、标注详尽的图片资源，并以VOC和YOLO两种主流标注格式支持研究者与开发者开展相关工作。这一资源库不仅在图像识别领域具有重要应用价值，更将在机器学习技术的发展中发挥广泛前景。
  • 钢轨表面缺陷检测数据集：涵盖400张图片及八类缺陷，适合目标检测算法的训练和研究
    优质
    本数据集包含400张图像，覆盖八种不同的钢轨表面缺陷类型，旨在为科研人员提供高质量的目标检测算法训练与测试资源。 钢轨表面缺陷检测数据集包含400张图片及八种类别缺陷，适用于目标检测算法的训练与研究。该数据集以txt格式提供，便于进行目标检测应用。核心关键词包括：钢轨表面缺陷检测、数据集、400张图片、8种类别缺陷和txt格式。