Advertisement

钢材表面缺陷数据集GC10-DET（含2294张图片、2294个XML文件及2294个TXT文件）（免费提供）

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

简介：
简介：GC10-DET是一个包含2294张图片及其对应标注文件的数据集，专为检测钢材表面缺陷设计。每张图片附有详细的XML和TXT描述文件，旨在促进相关领域的研究与开发，现免费提供给学术界使用。 GC10-DET是一个在真实工业环境中收集的表面缺陷数据集，包含十种类型的表面缺陷：冲孔、焊缝、新月形缝隙、水斑、油斑、丝斑、夹杂物、轧坑、折痕以及腰部折痕。各类型的具体数量如下： - 冲孔：329个 - 焊缝：513个 - 新月形缝隙：265个 - 水斑：354个 - 油斑：569个 - 丝斑：884个 - 夹杂物：347个 - 轧坑：85个 - 折痕：74个 - 腰部折痕：143个 该数据集包含以下内容： （1）2294张灰度图像； （2）与之对应的VOC格式的xml文件共2294份； （3）以及用于标注缺陷类型的yolo格式txt文件，其中数字代码代表不同的表面缺陷类型： - 0：冲孔 - 1：焊缝 - 2：新月形缝隙 - 3：水斑 - 4：油斑 - 5：丝斑 - 6：夹杂物 - 7：轧坑 - 8：折痕 - 9：腰部折痕

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 钢材表面缺陷数据集GC10-DET（含2294张图片、2294个XML文件及2294个TXT文件）（免费提供）
    优质
    简介：GC10-DET是一个包含2294张图片及其对应标注文件的数据集，专为检测钢材表面缺陷设计。每张图片附有详细的XML和TXT描述文件，旨在促进相关领域的研究与开发，现免费提供给学术界使用。 GC10-DET是一个在真实工业环境中收集的表面缺陷数据集，包含十种类型的表面缺陷：冲孔、焊缝、新月形缝隙、水斑、油斑、丝斑、夹杂物、轧坑、折痕以及腰部折痕。各类型的具体数量如下： - 冲孔：329个 - 焊缝：513个 - 新月形缝隙：265个 - 水斑：354个 - 油斑：569个 - 丝斑：884个 - 夹杂物：347个 - 轧坑：85个 - 折痕：74个 - 腰部折痕：143个 该数据集包含以下内容： （1）2294张灰度图像； （2）与之对应的VOC格式的xml文件共2294份； （3）以及用于标注缺陷类型的yolo格式txt文件，其中数字代码代表不同的表面缺陷类型： - 0：冲孔 - 1：焊缝 - 2：新月形缝隙 - 3：水斑 - 4：油斑 - 5：丝斑 - 6：夹杂物 - 7：轧坑 - 8：折痕 - 9：腰部折痕
     
  • NEU-DET数据集（含1800张图片、1800个XML文件及1800个TXT文件）
    优质
    NEU-DET数据集包含1800张图像及其对应的标注文件，包括描述物体边界和属性的XML文件以及文本标签TXT文件，适用于目标检测任务。 东北大学（NEU）发布了一个表面缺陷数据库，其中包括1,800张灰度图像，涵盖了热轧钢带的六种典型表面缺陷：轧制氧化皮、斑块、开裂、点蚀表面、内含物以及划痕。每一种类型的缺陷包含300个样本，并且数据集为每个图像提供了注释信息，标注了其中的缺陷类别和位置。 该数据库包括以下内容： （1）1800张灰度图像 （2）与之对应的1800个VOC格式标签xml文件 （3）以及另外的1800个yolo格式标签txt文件。这些文本中，数字代表不同的缺陷类型： - 0 表示开裂（crazing） - 1 表示内含物（inclusion） - 2 表示斑块（patches） - 3 表示点蚀表面（pitted_surface） - 4 表示轧制氧化皮（rolled-in_scale） - 5 则表示划痕（scratches）。
     
  • 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。
     
  • 钢材表面缺陷检测数据集NEU-DET：支持六种缺陷识别
    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。
     
  • 铁轨表面缺陷数据集，含jpg图片及对应的xml标注文件
    优质
    本数据集包含大量铁轨表面缺陷的高质量JPG图像及其对应XML格式的详细标注信息，旨在促进轨道交通安全领域的研究与应用。 铁轨表面缺陷数据集包含图片和xml文件，适用于yolov3、yolov4和yolov5的训练，并能达到95%以上的准确度。
     
  • YOLO目标检测用钢材表面缺陷数据集已准备完毕（含1800张图片及标注文件）.zip
    优质
    本资源包含一个专为YOLO算法设计的钢材表面缺陷检测数据集，内有1800张高质量图像及其对应的标注文件，助力研究与开发工作。 资源描述：钢材表面缺陷数据集包含1800张图片，涵盖六种类型：crazing、inclusion、patches、pitted_surface、rolled-in_scale 和 scratches。 资源内容包括参数化编程技术，便于用户根据需求调整参数；代码编写思路清晰，并配有详细的注释说明。 适用对象为计算机科学、电子信息工程和数学等专业的大学生，在课程设计、期末大作业及毕业设计中均可使用本数据集与相关源码进行研究和实践。 作者是一位资深算法工程师，拥有十年在Matlab、Python、C/C++ 和 Java 等多种编程语言以及YOLO目标检测算法仿真工作的经验。擅长领域包括计算机视觉、智能优化算法、神经网络预测模型开发及应用，信号处理技术，元胞自动机模拟实验设计和图像处理方法研究等众多方面，并乐于与他人分享知识和技术心得。
     
  • 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。
     
  • Yolov5结合钢材表面缺陷数据集
    优质
    本研究基于YOLOv5框架并采用特定钢材表面缺陷的数据集，旨在提升工业检测中对材料瑕疵识别的准确性和效率。通过优化模型参数与训练策略，以期实现快速、精准的缺陷分类和定位，保障产品质量及生产安全。 yolov5结合钢材表面缺陷数据集进行研究。
     
  • NEU-DET钢材表面缺陷分类有六种类型，训练集包含1260张图片，验证集含361张图片，测试集为180张图片（yolov8格式）
    优质
    本数据集用于NEU-DET钢材表面缺陷分类任务，涵盖六种类别缺陷。共提供1260张训练图像、361张验证图像及180张测试图像，采用YOLOv8标注格式。 NEU-DET钢材表面缺陷共有六大类：crazing（龟裂）、inclusion（夹杂）、patches（斑点）、pitted_surface（凹坑表面）、rolled-in_scale（氧化铁皮压入）和scratches（划痕）。其中，训练集包含1260个样本片，验证集有361个样本片，测试集中则包括180个样本片。 钢铁检测的重要性主要体现在以下几个方面： 1. 保障产品质量：钢材中的缺陷可能会导致产品的强度、硬度、韧性等性能下降，甚至引发安全事故。
     
  • 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。