缺陷檢測(cè)數(shù)據(jù)集

1）鋼材表面：NEU-CLS（可用于分類、定位任務(wù)）地址：http://faculty.neu.edu.cn/yunhyan/NEU_surface_defect_database.html 由東北大學(xué)（NEU）發(fā)布的表面缺陷數(shù)據(jù)庫(kù)，收集了熱軋鋼帶的六種典型表面缺陷，即軋制氧化皮（RS），斑塊（Pa），開(kāi)裂（Cr），點(diǎn)蝕表面（ PS），內(nèi)含物（In）和劃痕（Sc）。該數(shù)據(jù)庫(kù)包括1,800個(gè)灰度圖像：六種不同類型的典型表面缺陷，每一類缺陷包含300個(gè)樣本。對(duì)于缺陷檢測(cè)任務(wù)，數(shù)據(jù)集提供了注釋，指示每個(gè)圖像中缺陷的類別和位置。對(duì)于每個(gè)缺陷，黃色框是指示其位置的邊框，綠色標(biāo)簽是類別分?jǐn)?shù)。

2）太陽(yáng)能板：elpv-dataset地址：https://github.com/zae-bayern/elpv-dataset

3）金屬表面：KolektorSDD該數(shù)據(jù)集是由Kolektor Group提供并注釋的有缺陷的電子換向器的圖像構(gòu)成的。 官方地址：https://www.vicos.si/Downloads/KolektorSDD 百度網(wǎng)盤：https://pan.baidu.com/share/init?surl=HSzHC1ltHvt1hSJh_IY4Jg (提取碼：1zlb)

4）PCB板檢測(cè)：DeepPCB地址：https://github.com/Charmve/Surface-Defect-Detection/tree/master/DeepPCB

5）AITEX數(shù)據(jù)集（面料缺陷）地址：https://pan.baidu.com/s/1cfC4Ll5QlnwN5RTuSZ6b7w (提取碼：b9uy) 該數(shù)據(jù)庫(kù)由七個(gè)不同織物結(jié)構(gòu)的245張4096 x 256像素圖像組成。數(shù)據(jù)庫(kù)中有140個(gè)無(wú)缺陷圖像，每種類型的織物20個(gè)，除此之外，有105幅紡織行業(yè)中常見(jiàn)的不同類型的織物缺陷（12種缺陷）圖像。圖像的大尺寸允許用戶使用不同的窗口尺寸，從而增加了樣本數(shù)量。Internet上的數(shù)據(jù)庫(kù)還包含所有具有缺陷的圖像的分割mask，使得白色像素表示缺陷區(qū)域，其余像素為黑色。

6）天池布匹缺陷數(shù)據(jù)（競(jìng)賽）地址：https://pan.baidu.com/s/1LMbujxvr5iB3SwjFGYHspA (提取碼：gat2) 在布匹的實(shí)際生產(chǎn)過(guò)程中，由于各方面因素的影響，會(huì)產(chǎn)生污漬、破洞、毛粒等瑕疵，為保證產(chǎn)品質(zhì)量，需要對(duì)布匹進(jìn)行瑕疵檢測(cè)。布匹疵點(diǎn)檢驗(yàn)是紡織行業(yè)生產(chǎn)和質(zhì)量管理的重要環(huán)節(jié)，目前人工檢測(cè)易受主觀因素影響，缺乏一致性；并且檢測(cè)人員在強(qiáng)光下長(zhǎng)時(shí)間工作對(duì)視力影響極大。由于布匹疵點(diǎn)種類繁多、形態(tài)變化多樣、觀察識(shí)別難道大，導(dǎo)致布匹疵點(diǎn)智能檢測(cè)是困擾行業(yè)多年的技術(shù)瓶頸。本數(shù)據(jù)涵蓋了紡織業(yè)中布匹的各類重要瑕疵，每張圖片含一個(gè)或多種瑕疵。數(shù)據(jù)包括包括素色布和花色布兩類，其中，素色布數(shù)據(jù)約8000張，用于初賽；花色布數(shù)據(jù)約12000張，用于復(fù)賽。 7）天池鋁型材表面瑕疵數(shù)據(jù)集（競(jìng)賽）地址：https://tianchi.aliyun.com/competition/entrance/231682/information 數(shù)據(jù)集介紹：在鋁型材的實(shí)際生產(chǎn)過(guò)程中，由于各方面因素的影響，鋁型材表面會(huì)產(chǎn)生裂紋、起皮、劃傷等瑕疵，這些瑕疵會(huì)嚴(yán)重影響鋁型材的質(zhì)量。為保證產(chǎn)品質(zhì)量，需要人工進(jìn)行肉眼目測(cè)。然而，鋁型材的表面自身會(huì)含有紋路，與瑕疵的區(qū)分度不高。傳統(tǒng)人工肉眼檢查十分費(fèi)力，不能及時(shí)準(zhǔn)確的判斷出表面瑕疵，質(zhì)檢的效率難以把控。近年來(lái)，深度學(xué)習(xí)在圖像識(shí)別等領(lǐng)域取得了突飛猛進(jìn)的成果。鋁型材制造商迫切希望采用最新的AI技術(shù)來(lái)革新現(xiàn)有質(zhì)檢流程，自動(dòng)完成質(zhì)檢任務(wù)，減少漏檢發(fā)生率，提高產(chǎn)品的質(zhì)量，使鋁型材產(chǎn)品的生產(chǎn)管理者徹底擺脫了無(wú)法全面掌握產(chǎn)品表面質(zhì)量的狀態(tài)。大賽數(shù)據(jù)集里有1萬(wàn)份來(lái)自實(shí)際生產(chǎn)中有瑕疵的鋁型材監(jiān)測(cè)影像數(shù)據(jù)，每個(gè)影像包含一個(gè)或多種瑕疵。供機(jī)器學(xué)習(xí)的樣圖會(huì)明確標(biāo)識(shí)影像中所包含的瑕疵類型。

8）弱監(jiān)督學(xué)習(xí)下的工業(yè)光學(xué)檢測(cè)（DAGM 2007）Weakly Supervised Learning for Industrial Optical Inspection數(shù)據(jù)下載鏈接：https://hci.iwr.uni-heidelberg.de/node/3616

9）基建表面裂紋檢測(cè)數(shù)據(jù)Cracks on the surface of the construction.數(shù)據(jù)集是github上的一個(gè)項(xiàng)目，主要是一些基建（水泥表面裂紋），可以訪問(wèn)項(xiàng)目連接：https://github.com/cuilimeng/CrackForest-dataset 或者百度云鏈接：https://pan.baidu.com/s/1108j5QbDr7T3XQvDxAzVpg （提取碼：jajn）下載。

10）磁瓦缺陷數(shù)據(jù)集Magnetic tile dataset該數(shù)據(jù)集是由abin2收集的，現(xiàn)已開(kāi)源，地址：https://github.com/Charmve/Surface-Defect-Detection/tree/master/Magnetic-Tile-Defect

11）鐵軌表面缺陷數(shù)據(jù)集RSDDs dataset官方鏈接：http://icn.bjtu.edu.cn/Visint/resources/RSDDs.aspx 鏈接：https://pan.baidu.com/share/init?surl=svsnqL0r1kasVDNjppkEwg （提取碼：nanr） RSDDs數(shù)據(jù)集包含兩種類型的數(shù)據(jù)集：第一種是從快車道捕獲的I型RSDDs數(shù)據(jù)集，其中包含67個(gè)具有挑戰(zhàn)性的圖像。第二個(gè)是從普通/重型運(yùn)輸軌道捕獲的II型RSDDs數(shù)據(jù)集，其中包含128個(gè)具有挑戰(zhàn)性的圖像。兩個(gè)數(shù)據(jù)集的每幅圖像至少包含一個(gè)缺陷，并且背景復(fù)雜且噪聲很大。RSDDs數(shù)據(jù)集中的這些缺陷已由一些專業(yè)的人類觀察員在軌道表面檢查領(lǐng)域進(jìn)行了標(biāo)記。

12）Kylberg紋理數(shù)據(jù)集 v.1.0官方鏈接//www.cb.uu.se/~gustaf/texture/

責(zé)任編輯：lq