Advertisement

钢材表面瑕疵数据集（含1200张训练图片及600张验证图片）

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

简介：
本数据集包含1800幅高质量图像，旨在用于检测和分类钢材表面缺陷。其中包括1200张训练图片与600张验证图片，为机器学习模型提供丰富的训练资源。 此数据集由东北大学教授创建，专门用于识别钢材表面缺陷。数据集按照COCO格式进行了划分，包含1200张训练图像和600张验证图像，并附有相应的json文件。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 钢材表面瑕疵数据集（含1200张训练图片及600张验证图片）
    优质
    本数据集包含1800幅高质量图像，旨在用于检测和分类钢材表面缺陷。其中包括1200张训练图片与600张验证图片，为机器学习模型提供丰富的训练资源。 此数据集由东北大学教授创建，专门用于识别钢材表面缺陷。数据集按照COCO格式进行了划分，包含1200张训练图像和600张验证图像，并附有相应的json文件。
     
  • 工业表面瑕疵检测，数据集包含1400张图片
    优质
    本项目专注于工业表面瑕疵检测的数据集开发与应用研究，涵盖1400张高质量图像样本，旨在提升自动化检测系统的准确性和效率。 在工业生产过程中确保产品质量至关重要，其中表面缺陷检测是关键环节之一。本数据集专注于此领域，包含1400张图像，为相关算法的训练与优化提供了丰富素材。数据集中包括四个不同的缺陷类别：真空（zhen_kong）、擦伤（ca_shang）、脏物（zang_wu）和褶皱（zhe_zhou）。这些缺陷在实际生产中可能影响产品的性能及外观，因此准确识别它们对于提高生产效率与产品质量具有重要意义。 该数据集旨在支持制造业中的质量控制与自动化检测。现代智能制造系统中，利用计算机视觉和深度学习技术进行表面缺陷检测已成为趋势。这些技术可以辅助或替代人工检查，减少错误、提高检测速度并降低生产成本。 本数据集采用VOC（PASCAL Visual Object Classes）格式存储图像及注释信息，这是一种广泛使用的标注标准，包含图像分类、边界框注释和多目标检测等细节。每个图像可能对应一个或多缺陷类别，并通过XML文件描述其具体位置与类型。 铝制品SSD数据集名称暗示该数据集专注于利用单次多盒检测器（Single Shot MultiBox Detector, SSD）进行表面缺陷识别，这是一种流行的实时目标检测算法，在工业应用中因其速度快、精度高而被广泛应用。在训练此模型时，首先需要对图像进行预处理以适应深度学习框架输入要求；然后选择合适的深度学习环境如TensorFlow或PyTorch来构建和优化基于SSD的网络架构。 通过数据增强技术（例如随机翻转、旋转及裁剪）提高模型泛化能力，并在训练过程中调整超参数、设置合适的学习率策略以及损失函数。评估阶段将使用平均精度(mAP)等指标衡量不同类别上的表现，确保满足性能标准后部署到实际生产环境中。 该数据集提供的丰富样本有助于开发和优化针对特定缺陷类型的检测系统。通过深入研究与模型训练，我们可以利用先进的计算机视觉技术和深度学习方法为制造业带来更高效、精准的表面缺陷解决方案。
     
  • 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。
     
  • 谢韦尔钢材瑕疵检测数据集VOC+YOLO格式含6666张图片4类别.7z
    优质
    此数据集包含6666张图片，用于训练和测试钢材表面瑕疵检测模型，涵盖四大类缺陷。以PASCAL VOC及YOLO格式提供，便于深度学习应用开发。 数据集格式：Pascal VOC格式+YOLO格式（不包含分割路径的txt文件，仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件） 图片数量(jpg文件个数)：6666 标注数量(xml文件个数)：6666 标注数量(txt文件个数)：6666 标注类别数：4 标注类别名称:[crack, patches, pitting, scratches] 每个类别标注的框数： - crack 框数 = 321 - patches 框数 = 1911 - pitting 框数 = 3085 - scratches 框数 = 14700 总框数：20017 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，仅提供准确且合理的标注。
     
  • YOLO火焰与烟雾数据集 训练集15000张图片，验证集1400张，测试集700张
    优质
    YOLO火焰与烟雾数据集包含17,100张图像，其中训练集有15,000张、验证集有1,400张和测试集有700张。该数据集旨在提升烟火检测模型的性能。 数据集已经按照训练集、验证集和测试集划分好，并包含类别yaml标签，拿到数据集后无需任何处理即可直接用于训练。其中训练集有15000张图片，验证集合有1400张图片，测试集合有700张图片。所有图片的分辨率统一为640*640。
     
  • 铝片表面工业瑕疵检测数据集（VOC+YOLO格式，含400张图片，4个类别）.7z
    优质
    本数据集包含400张图像及对应的标注文件，适用于铝片表面瑕疵检测任务。采用VOC与YOLO双格式存储，涵盖裂纹、划痕等4种常见缺陷类型。 数据集格式：Pascal VOC格式+YOLO格式（不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件） 图片数量（jpg文件个数）：400 标注数量（xml文件个数）：400 标注数量(txt文件个数)：400 标注类别数：4 标注类别名称: [ca_shang, zang_wu, zhe_zhou, zhen_kong] 每个类别标注的框数： - ca_shang 框数 = 270 - zang_wu 框数 = 456 - zhe_zhou 框数 = 124 - zhen_kong 框数 = 212 总框数：1062 使用标注工具：labelImg 标注规则：对类别进行画矩形框。 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，仅提供准确且合理的标注。
     
  • 带钢表面瑕疵检测用图像数据集
    优质
    本数据集专为带钢表面瑕疵检测设计，包含大量高清图像样本及标注信息，适用于深度学习模型训练与测试，助力提高工业自动化水平。 该带钢表面缺陷检测数据集包含六种不同的缺陷类型：龟裂（crazing）有300个文件，斑点（patches）有342个文件，夹杂（inclusion）有382个文件，坑蚀表面（pitted_surface）有301个文件，氧化皮压入（rolled-in_scale）有300个文件以及划痕（scratches）同样包含300个文件。所有缺陷的标注信息均以xml格式提供。
     
  • 跌倒检测数据集（含4000张训练及1000张验证图片，总计5000张），提供VOC与YOLO格式
    优质
    本数据集包含4000张训练图片和1000张验证图片，共计5000张，旨在支持跌倒检测研究。资料以VOC及YOLO两种格式呈现，方便模型训练与应用开发。 保证数据质量，我们提供了4000张训练集图片加上1000张验证集图片，涵盖了Up、Down、Squat三种姿态。整个数据集中共有5000个图像样本，相比那些售价高昂但数量较少的数据集更具优势。在VOC验证集中有大约200张图片缺失，可以自行从YOLO格式转换过来，因为原始的YOLO数据是完整的。部分图片中没有人体目标，因此标签文件比训练集和验证集少几张属于正常现象。
     
  • NEU-DET钢铁表面瑕疵数据集
    优质
    NEU-DET钢铁表面瑕疵数据集是由东北大学研究团队精心打造的专业数据库，包含大量高分辨率图像，用于检测和分类钢铁产品制造过程中的各类缺陷。 钢材表面缺陷数据集由东北大学宋克臣团队制作而成，包含1800张图片，涵盖六种类型：crazing（龟裂）、inclusion（夹杂）、patches（斑点）、pitted_surface（凹坑）rolled-in_scale（氧化皮压入）和scratches（划痕）。
     
  • 表计图片数据集一（含500张图片）
    优质
    本数据集包含500张表计相关图片，旨在为图像识别与分析提供训练资源，适用于智能抄表、数字检测等领域。 共有各类表计图片数据集500张。