Advertisement

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

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

简介：
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。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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。
  • 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。
  • 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。
  • 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。
  • 混凝土缺陷图像的数据集，包含56100张图片
    优质
    本数据集包含了56,100张用于识别和分类混凝土缺陷的高质量图像，旨在促进相关领域的研究与开发。 混凝土缺陷图像分类数据集包含56100张图片。
  • 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。
  • 道路图像中坑洼检测，数据集包含665张图片，缺陷类型为pothole
    优质
    本项目专注于开发用于识别和分类道路图像中的坑洼（potholes）的技术。我们构建了一个数据集，其中包含了665张各种条件下的道路图像，专门针对单一的缺陷类型——坑洼进行检测。这一研究旨在提升路面维护效率与准确性。 我们有一个包含665张图像的数据集，用于检测道路中的坑洼（pothole）。
  • 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。
  • 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。
  • 三星油污缺陷分类：头发丝与小黑点，数据集包含660张图片
    优质
    本数据集专注于三星产品生产过程中的油污缺陷检测，涵盖头发丝及小黑点两种典型缺陷类型，总计提供660幅高清图像样本。 三星油污缺陷类别包括头发丝和小黑点。通过博客优化可以提升检测精度的数据集包含660张图片。