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。
     
  • 管道缺陷检测的数据集：包含超过900张图片及标签
    优质
    本数据集专为管道缺陷检测设计，内含逾900幅标注图像，旨在促进机器学习模型识别与分类管道各类损伤，助力提升工业安全标准。 目标检测数据集在计算机视觉领域扮演着至关重要的角色，在工业检测、安全监控以及自动驾驶等领域有着广泛的应用。本段落介绍的“管道缺陷检测数据集”包含超过900张用于训练和验证的图片及对应的标注信息，为研究者和工程师提供了一个宝贵的学习资源。 该数据集特别适配于YOLO（You Only Look Once）系列的目标检测模型。YOLO因其高效准确、实时性强而被广泛应用于各种目标检测任务中。本数据集已经处理成YOLO格式，这意味着可以直接用于训练YOLO模型。 此外，这些图片还经过了数据增强处理，通过旋转、缩放、平移和裁剪等操作增加了图像的多样性和数量，有助于提高模型的泛化能力。在管道缺陷检测这样的任务中，这可以确保模型能够识别各种不同的场景下的缺陷类型。 该数据集分为训练集和验证集两部分：训练集中包含大量用于学习的数据；而验证集则用来评估模型性能，并监测其对新数据的表现情况，以保证良好的泛化能力。为了便于用户更直观地了解这些图像中的目标检测效果，还提供了一个可视化脚本。 关于类别信息，“管道缺陷检测数据集”目前定义的唯一类别为“defect”，即各类可能存在的管道缺陷类型。通过详细标注和分类文件的支持，模型可以学习如何区分不同的缺陷特征，从而提高其在实际应用中的准确性和可靠性。 总而言之，这个高质量的数据集不仅提供了大量的训练与测试图片，并且格式适配性强、数据增强丰富。这为开发高性能的YOLO模型用于管道缺陷检测任务奠定了坚实的基础。
     
  • 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。