前言

数据集对应应用场景，不同的应用场景有不同的检测难点以及对应改进方法，本系列整理汇总领域内的数据集，方便大家下载数据集。关注免费领取整理好的数据集资料！

一、东北大学钢材表面缺陷数据集

简介：该数据集是东北大学宋克臣团队制作而成，是钢材表面缺陷数据集，共有1800张图片，包含六种类型共有六种缺陷：
crazing，inclusion，patches，pitted_surface，rolled-in_scale，scratches
下载地址：https://aistudio.baidu.com/aistudio/datasetdetail/158165
问题描述：钢材表面缺陷数据集
转换好格式数据集：关注后私信领取
样图如下：
在这里插入图片描述

二、天池铝型材表面缺陷数据集

大赛数据集里有1万份来自实际生产中有瑕疵的铝型材监测影像数据，每个影像包含一个或多种瑕疵。供机器学习的样图会明确标识影像中所包含的瑕疵类型。下载链接【点此处即可下载】
转换好格式数据集：关注后私信领取

在这里插入图片描述
样图如下：

三、Severstal 带钢缺陷数据集

该数据集中提供了四种类型的带钢表面缺陷。训练集共有12568张，测试集5506张。图像尺寸为1600×256。
下载链接【点此处即可下载】
转换好格式数据集：关注后私信领取
在这里插入图片描述

四、UCI 带钢缺陷数据集

该数据集包含了7种带钢缺陷类型。这个数据集不是图像数据，而是带钢缺陷的28种特征数据，可用于机器学习项目。
分类:1.Pastry2.Z_Scratch3.K_Scatch4.Stains5.Dirtiness6.Bumps7.Other_Faults
下载链接【点此处即可下载】接
转换好格式数据集：关注后私信领取
在这里插入图片描述 # 四、UCI 带钢缺陷数据集

五、磁瓦缺陷数据集

中国科学院自动所一个课题组收集的数据集，是“Saliency of magnetic tile surface defects”这篇论文的数据集。收集了6种常见磁瓦缺陷的图像，并做了语义分割的标注。
分类:1.Pastry2.Z_Scratch3.K_Scatch4.Stains5.Dirtiness6.Bumps7.Other_Faults
下载链接【点此处即可下载】
转换好格式数据集：关注后私信领取
在这里插入图片描述

六、RSDDs铁轨表面缺陷数据集

RSDDs数据集包含两种类型的数据集：第一种是从快车道捕获的I型RSDDs数据集，其中包含67个具有挑战性的图像。
第二个是从普通/重型运输轨道捕获的II型RSDDs数据集，其中包含128个具有挑战性的图像。
两个数据集的每幅图像至少包含一个缺陷，并且背景复杂且噪声很大。
RSDDs数据集中的这些缺陷已由一些专业的人类观察员在轨道表面检查领域进行了标记。
下载链接【点此处即可下载】
转换好格式数据集：关注后私信领取
在这里插入图片描述

在这里插入图片描述

七、印刷电路板（PCB）瑕疵数据集

这是一个公共的合成PCB数据集，由北京大学发布，其中包含1386张图像以及6种缺陷（缺失孔，老鼠咬坏，开路，短路，杂散，伪铜），用于检测\分类和配准任务。
在这里插入图片描述

下载链接【点此处即可下载】
转换好格式数据集：关注后私信领取

八、坑洼检测数据集

目标：从道路图像中检测坑洼
应用：检测道路地形和坑洼可实现平稳行驶。
详细信息： 700个在坑洼处带有3K +注释的图像。
水坑尺寸类别
小：边界框面积<=1024px
中等：1024px<BoundingBox面积<=9216px
大：BoundingBox面积>9216px
注意：这些尺寸类别是在将图像调整为300x300像素并保持纵横比后计算的。这类似于Microsoft COCO大小度量。
下载链接【点此处即可下载】
在这里插入图片描述

在这里插入图片描述

九、Kylberg纹理检测

每个类有160个独特的纹理面片。（每个原始面片具有12个旋转的替代数据集，每个类160*12=1920个纹理面片）。
纹理补丁大小：576x576像素。
文件格式：无损压缩8位PNG。
所有补丁均以平均值127和标准偏差40进行标准化。
每个纹理类一个目录。
文件命名如下：blankt1-d-p011-r180.png，其中blankt1是类名，或原始图像样本编号（可能值area，b，c，ord），p011是补丁编号11，r180补丁旋转180度。
下载链接【点此处即可下载】
在这里插入图片描述

在这里插入图片描述

十、DAGM 2007数据集

数据集介绍：
主要针对纹理背景上的杂项缺陷。
较弱监督的训练数据。
包含十个数据集，前六个为训练数据集，后四个为测试数据集。
每个数据集均包含以灰度8位PNG格式保存的1000个“无缺陷”图像和150个“有缺陷”图像。每个数据集由不同的纹理模型和缺陷模型生成。
“无缺陷”图像显示的背景纹理没有缺陷，“无缺陷”图像的背景纹理上恰好有一个标记的缺陷。
所有数据集已随机分为大小相等的训练和测试子数据集。
弱标签以椭圆形表示，大致表示缺陷区域。
下载链接【点此处即可下载】
在这里插入图片描述