Advertisement

Magnetic-tile-defect-datasets: 即将发表的论文《磁砖表面缺陷的显著性》的数据集

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

简介：
Magnetic-tile-defect-datasets是为即将发表的论文《磁砖表面缺陷的显著性》准备的数据集，包含大量用于训练和测试的磁砖缺陷图像。 这是关于“磁砖表面缺陷的显著性”的论文数据集。该数据集中包含了六种常见瓷砖缺陷的图像，并对它们进行了像素级别的标注。 图1展示了我们数据集的基本情况。欢迎使用我们的数据集，如果您在研究中引用了它，请记得参考我们的论文。 此外，在用于表面缺陷显著性检测的工具箱里，除了我们的MCue模型之外还有另外14个显著性检测模型可供选择。 如果有任何疑问或需要进一步的帮助，可以随时联系我。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Magnetic-tile-defect-datasets: 即将发表的论文《磁砖表面缺陷的显著性》的数据集
    优质
    Magnetic-tile-defect-datasets是为即将发表的论文《磁砖表面缺陷的显著性》准备的数据集，包含大量用于训练和测试的磁砖缺陷图像。 这是关于“磁砖表面缺陷的显著性”的论文数据集。该数据集中包含了六种常见瓷砖缺陷的图像，并对它们进行了像素级别的标注。 图1展示了我们数据集的基本情况。欢迎使用我们的数据集，如果您在研究中引用了它，请记得参考我们的论文。 此外，在用于表面缺陷显著性检测的工具箱里，除了我们的MCue模型之外还有另外14个显著性检测模型可供选择。 如果有任何疑问或需要进一步的帮助，可以随时联系我。
  • 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。
  • NEU表面缺陷检测的数据集合锦
    优质
    NEU表面缺陷检测数据集是一份精心编纂的专业资源库，专注于提供各类材料表面缺陷的高精度图像和详细标注，旨在推动相关领域的研究与应用发展。 NEU数据集大全包括了原始数据集、扩展的64*64大小的分类数据集以及带有标签的缺陷定位数据集。
  • 钢轨表面缺陷检测的数据集-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：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。
  • 用于测试的轨道表面缺陷数据集
    优质
    本数据集专为评估轨道表面缺陷检测算法设计，包含各类典型缺陷图像及标注信息，旨在促进铁路维护领域的研究与应用。 谁有用就拿走吧。
  • 东北大学的带钢表面缺陷数据集
    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
  • 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。