Advertisement

结构缺陷网络（SDNET）2018-数据集版

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

简介：
结构缺陷网络（SDNET）2018-数据集版是一个专注于工业X射线图像中检测和分类各种焊缝结构缺陷的数据集合，为机器学习模型提供训练与测试资源。 SDNET2018是一个带有注释的图像数据集，用于训练、验证以及评估基于人工智能的混凝土裂缝检测算法。该数据集中包含超过56,000张开裂与未开裂的混凝土桥面板、墙壁及人行道图片。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 结构缺陷网络（SDNET）2018-数据集版
    优质
    结构缺陷网络（SDNET）2018-数据集版是一个专注于工业X射线图像中检测和分类各种焊缝结构缺陷的数据集合，为机器学习模型提供训练与测试资源。 SDNET2018是一个带有注释的图像数据集，用于训练、验证以及评估基于人工智能的混凝土裂缝检测算法。该数据集中包含超过56,000张开裂与未开裂的混凝土桥面板、墙壁及人行道图片。
     
  • 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。
     
  • 缺陷检测数据集
    优质
    本数据集包含多种工业产品在生产过程中的图像和相关信息，旨在帮助识别并分类各种制造缺陷，提升产品质量控制效率与精度。 缺陷检测/瑕疵检测数据集包括含有瑕疵图片的训练集和验证集。
     
  • PCB缺陷数据集.rar
    优质
    本资料包包含了一个用于机器学习和计算机视觉研究的PCB（印制电路板）缺陷检测的数据集。内含大量标注清晰的图片及对应标签，适用于训练识别算法模型。 该数据集包含五种常见的PCB缺陷类别。
     
  • 绝缘子闪络与破损缺陷数据集
    优质
    绝缘子闪络与破损缺陷数据集包含大量现场检测及实验室测试所得的绝缘子状态信息，旨在通过图像识别技术自动诊断绝缘子故障类型，提升电力系统安全运维效率。 绝缘子闪络破损缺陷数据集包含1600张带标签的图片，适用于深度学习中的绝缘子缺陷检测及目标检测、图像识别任务。如果有相关需求，请私信联系。
     
  • 配网绝缘子缺陷检测的数据集
    优质
    本数据集专注于收集和整理用于识别配电网络中绝缘子缺陷的各种图像资料，旨在通过机器学习技术提高电力系统维护效率与准确性。 内含配电输电线路绝缘子缺陷图像的数据集包括破损、缺失等情况，总数约为7000张图片，并附有txt标签文件。该数据集适用于图像识别、图像处理、深度学习、目标检测及计算机视觉等领域研究使用。下载的txt文件中包含必要的下载链接，请放心下载。
     
  • PCB缺陷检测数据集-VOC.rar
    优质
    PCB缺陷检测数据集-VOC包含用于印刷电路板(PCB)质量控制的图像和标注文件。该资源适用于训练机器学习模型识别并分类PCB上的各种缺陷，助力提高生产效率与产品质量。 PCB板缺陷检测数据集包含几百张图像，标签采用VOC格式，可以直接使用。
     
  • AAU 下水道缺陷点云数据集 - 数据集
    优质
    AAU下水道缺陷点云数据集是一项专为检测和分析地下管道缺陷设计的数据集合，利用先进的激光扫描技术生成精确的三维点云模型。 该数据集用于对点云中的下水道缺陷进行分类，并包含真实数据和合成数据。这是首个公开发布的关于下水道及其缺陷的3D数据集。其中大部分为合成数据，而真实的管道点云是在丹麦奥尔堡大学实验室环境中采集到的。 文件包括： - testing_pointcloud_hdf5_real.h5 - testing_pointcloud_hdf5_synthetic.h5 - training_pointcloud_hdf5_real.h5 - training_pointcloud_hdf5_synthetic.h5 数据集以AAU Sewer Defect Point Cloud Dataset_datasets.zip的形式提供。
     
  • 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。