尧图网站建设 
工业轴承表面缺陷检测数据集1.该数据集的缺陷类别共为三类分别包含擦伤缺陷cashang凹槽缺陷aocao划痕缺陷huahen。2.该数据集共5824张JPG图片5824个xml标签文件和txt标签文件。可以发送两种大小的数据集一份是416尺寸一份是640尺寸均是原始数据做的压缩均有标签文件。三类缺陷在标签文件中分别命名为cashangaocaohuahen。5824中原图有2300左右其余都为添加高斯白噪声增强的数据以下是轴承表面缺陷检测数据集的详细信息表以结构化表格形式呈现便于用于项目文档、模型训练配置或技术报告 轴承表面缺陷检测数据集信息表信息类别具体内容数据集名称轴承表面缺陷检测数据集Bearing Surface Defect Detection Dataset应用场景工业质检、智能制造、自动化视觉检测、AI制造总图像数量5824 张 JPG 图像原始图像数量≈2300 张真实采集增强图像数量≈3524 张通过添加高斯白噪声生成图像格式JPGRGB标注格式✅VOC XML兼容 LabelImg、Detectron2、MMDetection✅YOLO TXT兼容 YOLOv5/v8/Ultralytics 等提供分辨率版本1.416×416适合轻量模型如 YOLOv5n/s2.640×640适合高精度模型如 YOLOv8m/l⚠️ 均由原始图压缩/缩放生成非裁剪类别数量3 类类别定义中英文 标签名•cashang擦伤缺陷表面浅层摩擦损伤呈不规则斑块状•aocao凹槽缺陷线性或弧形凹陷深度较明显•huahen划痕缺陷细长线状刮伤方向性强标签一致性每张图像对应一个.xml和一个.txt文件类别名严格一致均为小写英文cashang,aocao,huahen数据划分建议用户可自定义划分如 7:2:1因未预划分 train/val/test典型挑战- 缺陷尺度小、对比度低- 三类缺陷形态相似尤其aocao与huahen- 噪声增强可能引入伪影需注意泛化性适用模型YOLOv5 / YOLOv8 / Faster R-CNN / SSD / EfficientDet 等主流目标检测框架推荐用途- 工业在线质检系统- 缺陷分类与定位一体化- 小样本/噪声鲁棒性研究 推荐目录结构用户可自建bearing_defect_dataset/ ├── images/# 5824 张 .jpg├── labels_voc/# 5824 个 .xmlVOC 格式├── labels_yolo/# 5824 个 .txtYOLO 格式└── README.md# 数据说明YOLO 标签格式示例.txtclass_id center_x center_y width height归一化到 [0,1]其中0cashang,1aocao,2huahenVOC 标签格式示例.xmlnamehuahen/name出现在object标签内⚙️ 使用建议该数据集适用于构建高鲁棒性轴承表面缺陷智能检测系统可有效提升工业质检效率与一致性减少人工漏检保障高端装备零部件质量。111 鲁棒性轴承表面缺陷智能检测系统 轴承缺陷检测数据集训练及应用
工业轴承表面缺陷检测数据集1.该数据集的缺陷类别共为三类分别包含擦伤缺陷cashang凹槽缺陷aocao划痕缺陷huahen。2.该数据集共5824张JPG图片5824个xml标签文件和txt标签文件。可以发送两种大小的数据集一份是416尺寸一份是640尺寸均是原始数据做的压缩均有标签文件。三类缺陷在标签文件中分别命名为cashangaocaohuahen。5824中原图有2300左右其余都为添加高斯白噪声增强的数据以下是轴承表面缺陷检测数据集的详细信息表以结构化表格形式呈现便于用于项目文档、模型训练配置或技术报告 轴承表面缺陷检测数据集信息表信息类别具体内容数据集名称轴承表面缺陷检测数据集Bearing Surface Defect Detection Dataset应用场景工业质检、智能制造、自动化视觉检测、AI制造总图像数量5824 张 JPG 图像原始图像数量≈2300 张真实采集增强图像数量≈3524 张通过添加高斯白噪声生成图像格式JPGRGB标注格式✅VOC XML兼容 LabelImg、Detectron2、MMDetection✅YOLO TXT兼容 YOLOv5/v8/Ultralytics 等提供分辨率版本1.416×416适合轻量模型如 YOLOv5n/s2.640×640适合高精度模型如 YOLOv8m/l⚠️ 均由原始图压缩/缩放生成非裁剪类别数量3 类类别定义中英文 标签名•cashang擦伤缺陷表面浅层摩擦损伤呈不规则斑块状•aocao凹槽缺陷线性或弧形凹陷深度较明显•huahen划痕缺陷细长线状刮伤方向性强标签一致性每张图像对应一个.xml和一个.txt文件类别名严格一致均为小写英文cashang,aocao,huahen数据划分建议用户可自定义划分如 7:2:1因未预划分 train/val/test典型挑战- 缺陷尺度小、对比度低- 三类缺陷形态相似尤其aocao与huahen- 噪声增强可能引入伪影需注意泛化性适用模型YOLOv5 / YOLOv8 / Faster R-CNN / SSD / EfficientDet 等主流目标检测框架推荐用途- 工业在线质检系统- 缺陷分类与定位一体化- 小样本/噪声鲁棒性研究 推荐目录结构用户可自建bearing_defect_dataset/ ├── images/# 5824 张 .jpg├── labels_voc/# 5824 个 .xmlVOC 格式├── labels_yolo/# 5824 个 .txtYOLO 格式└── README.md# 数据说明YOLO 标签格式示例.txtclass_id center_x center_y width height归一化到 [0,1]其中0cashang,1aocao,2huahenVOC 标签格式示例.xmlnamehuahen/name出现在object标签内⚙️ 使用建议该数据集适用于构建高鲁棒性轴承表面缺陷智能检测系统可有效提升工业质检效率与一致性减少人工漏检保障高端装备零部件质量。111