工業(yè)質檢-缺陷檢測數據集_第1頁
工業(yè)質檢-缺陷檢測數據集_第2頁
工業(yè)質檢-缺陷檢測數據集_第3頁
工業(yè)質檢-缺陷檢測數據集_第4頁
工業(yè)質檢-缺陷檢測數據集_第5頁
已閱讀5頁,還剩3頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

?業(yè)質檢-缺陷檢測數據集?前,基于機器視覺的表?缺陷裝備已經在各?業(yè)領域?泛替代???眼檢測,包括3C、汽車、家電、機械制造、半導體及電?、化?、醫(yī)藥、航空航天、輕?等?業(yè)。傳統的基于機器視覺的表?缺陷檢測?法,往往采?常規(guī)圖像處理算法或??設計特征加分類器?式。?般來說,通常利?被檢表?或缺陷的不同性質進?成像?案的設計,合理的成像?案有助于獲得光照均勻的圖像,并將物體表?缺陷明顯的體現出來。近年來,不少基于深度學習的缺陷檢測?法也被?泛應?在各種?業(yè)場景中。對?計算機視覺中明確的分類、檢測和分割任務,缺陷檢測的需求??;\統.實際上,其需求可以劃分為三個不同的層次:“缺陷是什么”(分類)、“缺陷在哪?”(定位)和“缺陷是多少”(分割)。?、表?缺陷檢測關鍵問題1、?樣本問題?前深度學習?法?泛應?在各種計算機視覺任務中,表?缺陷檢測?般被看作是其在?業(yè)領域的具體應?。在傳統的認識中,深度學習?法?法直接應?在表?缺陷檢測中的原因是因為在真實的?業(yè)環(huán)境中,所能提供的?業(yè)缺陷樣本太少。相?于ImageNet數據集中1400多萬張樣本數據,表?缺陷檢測中?臨的最關鍵的問題是?樣本問題,在很多真實的?業(yè)場景下甚?只有?張或??張缺陷圖?。實際上,針對于?業(yè)表?缺陷檢測中關鍵問題之?的?樣本問題,?前有4種不同的解決?式:1)數據擴增、?成最常?的缺陷圖像擴增?法是對原始缺陷樣本采?鏡像、旋轉、平移、扭曲、濾波、對?度調整等多種圖像處理操作來獲取更多的樣本。另外?種較為常見?法是數據合成,常常將單獨缺陷融合疊加到正常(?缺陷)樣本上構成缺陷樣本。2)?絡預訓練與遷移學習?般來說,,采??樣本來訓練深度學習?絡很容易導致過擬合,因此基于預訓練?絡或遷移學習的?法是?前針對樣本中最常?的?法之?。3)合理的?絡結構設計通過設計合理的?絡結構也可以??減少樣本的需求?;趬嚎s采樣定理來壓縮和擴充?樣本數據,使?CNN直接對壓縮采樣的數據特征進?分類.相?于原始的圖像輸?,通過對輸?進?壓縮采樣能??降低?絡對樣本的需求.此外,基于孿??絡的表?缺陷檢測?法也可以看作是?種特殊的?絡設計,能夠?幅減少樣本需求。4)?監(jiān)督或半監(jiān)督在?監(jiān)督模型中,只利?正常樣本進?訓練,因此不需要缺陷樣本.半監(jiān)督?法可以利?沒有標注的樣本來解決?樣本情況下的?絡訓練難題。2、實時性問題基于深度學習的缺陷檢測?法在?業(yè)應?中包括三個主要環(huán)節(jié):數據標注、模型訓練與模型推斷.在實際?業(yè)應?中的實時性更關注模型推斷這?環(huán)節(jié).?前?多數缺陷檢測?法都集中在分類或識別的準確性上,?很少關注模型推斷的效率。有不少?法?于加速模型,例如模型權重量化和模型剪枝等。另外,雖然現有深度學習模型使?GPU作為通?計算單元,但隨著技術發(fā)展,相信FPGA會成為?個具有吸引?的替代?案。?、?業(yè)表?缺陷檢測常?數據集1)鋼材表?:NEU-CLS(可?于分類、定位任務)由東北?學(NEU)發(fā)布的表?缺陷數據庫,收集了熱軋鋼帶的六種典型表?缺陷,即軋制氧化?(RS),斑塊(Pa),開裂(Cr),點蝕表?(PS),內含物(In)和劃痕(Sc)。該數據庫包括1,800個灰度圖像:六種不同類型的典型表?缺陷,每?類缺陷包含300個樣本。對于缺陷檢測任務,數據集提供了注釋,指?每個圖像中缺陷的類別和位置。對于每個缺陷,黃?框是指?其位置的邊框,綠?標簽是類別分數。2)太陽能板:elpv-dataset3)?屬表?:KolektorSDD該數據集是由KolektorGroup提供并注釋的有缺陷的電?換向器的圖像構成的。具體地說,該數據集包括:50個例如變形的電?換向器的物理屬性;每?個中包含8個表?;總共399張圖?;–52張有可見缺陷的圖像;–347張沒有任何缺陷;原始尺?圖?:–寬度:500px–?度:從1240到1270像素為了進?訓練和評估,圖?的尺?應調整為512x1408像素對于每?個,缺陷僅在?少?張圖像中可見,?有兩個在圖像上有缺陷就意味著有52張圖像可見缺陷。其余347張圖像?作表??缺陷的負樣本。4)PCB板檢測:DeepPCB5)AITEX數據集(?料缺陷)數據集下載鏈接:該數據庫由七個不同織物結構的245張4096x256像素圖像組成。數據庫中有140個?缺陷圖像,每種類型的織物20個,除此之外,有105幅紡織?業(yè)中常見的不同類型的織物缺陷(12種缺陷)圖像。圖像的?尺?允許?戶使?不同的窗?尺?,從?增加了樣本數量。Internet上的數據庫還包含所有具有缺陷的圖像的分割mask,使得??像素表?缺陷區(qū)域,其余像素為??。6)天池布匹缺陷數據(競賽)數據下載鏈接:在布匹的實際?產過程中,由于各??因素的影響,會產?污漬、破洞、?粒等瑕疵,為保證產品質量,需要對布匹進?瑕疵檢測。布匹疵點檢驗是紡織?業(yè)?產和質量管理的重要環(huán)節(jié),?前??檢測易受主觀因素影響,缺乏?致性;并且檢測?員在強光下長時間?作對視?影響極?。由于布匹疵點種類繁多、形態(tài)變化多樣、觀察識別難道?,導致布匹疵點智能檢測是困擾?業(yè)多年的技術瓶頸。本數據涵蓋了紡織業(yè)中布匹的各類重要瑕疵,每張圖?含?個或多種瑕疵。數據包括包括素?布和花?布兩類,其中,素?布數據約8000張,?于初賽;花?布數據約12000張,?于復賽。7)天池鋁型材表?瑕疵數據集(競賽)數據集下載鏈接:數據集介紹:在鋁型材的實際?產過程中,由于各??因素的影響,鋁型材表?會產?裂紋、起?、劃傷等瑕疵,這些瑕疵會嚴重影響鋁型材的質量。為保證產品質量,需要??進??眼?測。然?,鋁型材的表???會含有紋路,與瑕疵的區(qū)分度不?。傳統???眼檢查?分費?,不能及時準確的判斷出表?瑕疵,質檢的效率難以把控。近年來,深度學習在圖像識別等領域取得了突飛猛進的成果。鋁型材制造商迫切希望采?最新的AI技術來?新現有質檢流程,?動完成質檢任務,減少漏檢發(fā)?率,提?產品的質量,使鋁型材產品的?產管理者徹底擺脫了?法全?掌握產品表?質量的狀態(tài)。?賽數據集?有1萬份來?實際?產中有瑕疵的鋁型材監(jiān)測影像數據,每個影像包含?個或多種瑕疵。供機器學習的樣圖會明確標識影像中所包含的瑕疵類型。8)弱監(jiān)督學習下的?業(yè)光學檢測(DAGM2007)WeaklySupervisedLearningforIndustrialOpticalInspection數據下載鏈接:數據集介紹:主要針對紋理背景上的雜項缺陷。較弱監(jiān)督的訓練數據。包含是個數據集,前六個為訓練數據集,后四個為測試數據集。每個數據集均包含以灰度8位PNG格式保存的1000個“?缺陷”圖像和150個“有缺陷”圖像。每個數據集由不同的紋理模型和缺陷模型?成?!?缺陷”圖像顯?的背景紋理沒有缺陷,“?缺陷”圖像的背景紋理上恰好有?個標記的缺陷。所有數據集已隨機分為??相等的訓練和測試?數據集。弱標簽以橢圓形表?,?致表?缺陷區(qū)域。9)基建表?裂紋檢測數據Cracksonthesurfaceoftheconstruction.橋梁裂縫.有2688張沒有像素級地?真實情況的橋梁裂縫圖像,來?于"LiangfuLi,WeifeiMa,LiLi,XiaoxiaoGao".數據集可通過。路?裂縫.該數據集來?于ShiYong,andCuiLimengandQiZhiquanandMengFanandChenZhensong.原始數據集可通過.我們提取像素級地?真相的圖像?件。10)磁?缺陷數據集Magnetictiledataset該數據集是由abin2收集的,現已開源,你可以,它被?在了論?"Surfacedefectsaliencyofmagnetictile"中。這同樣也是論?“Saliencyofmagnetictilesurfacedefects”的數據集,它收集了6個常見磁磚缺陷的圖像,并標記了它們的像素級地?真相。11)鐵軌表?缺陷數據集RSDDsdatasetRSDDs數據集包含兩種類型的數據集:第?種是從快車道捕獲的I型RSDDs

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論