金属材料表面六种缺陷类型数据集 | 适用于 YOLO 等视觉检测模型(1800 张图片已划分、已标注)
本数据集聚焦于金属表面质量检测,包含 6 类典型缺陷,1800 张图像,标注完整,已按 train/val/test
划分,并使用 YOLO 项目格式进行标注,适用于目标检测、缺陷分类与工业视觉相关任务。
背景
金属材料在轧制、热处理、运输及长期使用过程中,常会产生各类表面缺陷,这些缺陷不仅降低外观质量,更可能影响其强度、疲劳寿命甚至安全性能。随着工业制造向自动化与智能化演进,基于深度学习的表面缺陷检测成为提升质量控制的重要手段。
然而,高质量、标注规范的数据集一直是算法研究中的瓶颈。因此,我们构建了此面向学术与工业的金属缺陷数据集,旨在推动智能检测系统在实际场景中的落地与优化。
数据集概述
图像总数:1800 张(已完成标注)
标注格式:YOLO 格式与 COCO 格式可相互转化
图像尺寸:统一为 640×640(可自定义缩放)
**划分:
📂 训练集: 1260📂 验证集: 360📂 测试集: 180
类别数量:6 类
类别配置(YOLO 格式):

数据集详情
所有缺陷都已使用边界框(bounding box)形式手动标注,适合用于 YOLO 全系列、Faster R-CNN、RT-DETR 等检测模型的训练和评估。
适用场景
本数据集广泛适用于以下研究与工业应用:
工业缺陷检测模型训练可直接用于训练 YOLOv5、YOLOv8、RT-DETR 等检测模型,用于实际部署或研究验证。
缺陷分类与分割任务可对图像中心区域裁剪生成分类任务数据,或与语义分割工具配合进一步扩展。
算法对比与论文验证适合用于不同检测网络的性能评估,支持标准化训练流程,有利于模型泛化性对比。
图像增强与合成学习研究图像背景多样、缺陷类型复杂,适合作为生成对抗网络(GAN)或图像增强算法的输入。
工业自动化质检系统开发可集成至边缘计算设备,实现对流水线上的金属件在线检测与报警。
完美适配检测任务,效果如下



实战配套项目
基于 YOLOv8 的 6 种金属表面缺陷检测识别项目【完整源码数据集+PyQt5 界面+完整训练流程+开箱即用!】:https://blog.csdn.net/weixin_52908342/article/details/148336797

数据集分享
结语
本数据集通过系统性地收集、整理和标注金属材料表面六类典型缺陷,填补了工业视觉领域在金属表面缺陷检测方向公开数据资源的空白。其在样本多样性、标注精度和场景适配性方面具有显著优势,不仅可作为深度学习算法的训练基准,也适用于真实工业质检系统的部署验证。
未来,我们将进一步扩展该数据集的规模和缺陷类别,加入语义分割、实例分割等多模态标注形式,支持更复杂的检测与识别任务。我们诚邀学术界与工业界的研究者在此基础上深入探索,共同推动智能制造与视觉质检技术的落地发展。
版权声明: 本文为 InfoQ 作者【申公豹】的原创文章。
原文链接:【http://xie.infoq.cn/article/e9b3a9c8b83c79d9260df8d98】。
本文遵守【CC-BY 4.0】协议,转载请保留原文出处及本版权声明。
评论