木材、板材缺陷数据集
缺陷类型包括Live knot 、Dead knot 、Knot with crack 、Crack 、Resin 、Marrow 、Quartzity 、Knot missing、Blue stain 、Overgrown
死节、活节、裂纹、树脂、髓心等
多缺陷数据集,共20276张缺陷图像
label标签已打,适用yolo格式等,可转xml等格式。
项目背景:
木材和板材的质量直接影响到最终产品的耐用性和美观性。然而,木材在生产加工过程中可能会出现多种缺陷,这些缺陷不仅影响产品的质量,还可能导致资源浪费。因此,高效准确地检测木材缺陷成为提高产品质量和生产效率的关键。本数据集旨在为木材、板材缺陷检测提供高质量的标注数据,支持自动化检测系统的开发与应用。
数据集概述:
- 名称:木材、板材缺陷检测数据集
- 规模:共计20,276张缺陷图像
- 缺陷类型:
- Live knot(活节)
- Dead knot(死节)
- Knot with crack(带裂纹的结)
- Crack(裂纹)
- Resin(树脂)
- Marrow(髓心)
- Quartzity(石英质)
- Knot missing(结缺失)
- Blue stain(蓝斑)
- Overgrown(过度生长)
- 标签格式:YOLO格式,可转换为XML等其他格式
数据集特点:
- 全面性:涵盖多种常见的木材缺陷类型,包括活节、死节、裂纹等,确保数据集的多样性和实用性。
- 高质量标注:每张图像都已详细标注,确保数据的准确性和可靠性。
- 适用范围广:适用于多种深度学习框架,方便科研人员和开发者直接使用。
数据集内容:
- 活节(Live knot):标注了木材中的活节缺陷。
- 死节(Dead knot):标注了木材中的死节缺陷。
- 带裂纹的结(Knot with crack):标注了木材中带有裂纹的结。
- 裂纹(Crack):标注了木材中的裂纹缺陷。
- 树脂(Resin):标注了木材中的树脂缺陷。
- 髓心(Marrow):标注了木材中的髓心缺陷。
- 石英质(Quartzity):标注了木材中的石英质缺陷。
- 结缺失(Knot missing):标注了木材中的结缺失缺陷。
- 蓝斑(Blue stain):标注了木材中的蓝斑缺陷。
- 过度生长(Overgrown):标注了木材中的过度生长缺陷。
数据集用途:
- 缺陷检测:可用于训练和评估深度学习模型,特别是在木材、板材缺陷检测方面。
- 质量控制:帮助实现木材生产的质量控制,减少次品率。
- 科研与教育:为木材缺陷检测领域的研究和教学提供丰富的数据支持。
使用场景:
- 自动化检测:在木材加工生产线中,利用该数据集训练的模型可以自动识别木材缺陷。
- 质量控制:在质量控制系统中,利用该数据集可以提高检测的准确性和速度。
- 生产管理:在生产管理和优化工作中,利用该数据集可以提高生产效率和产品质量。
技术指标:
- 数据量:共计20,276张缺陷图像,覆盖多种缺陷类型。
- 标签格式:YOLO适用的.txt格式,方便导入不同的检测框架。
- 标注精度:所有图像均已详细标注,确保数据的准确性和可靠性。
注意事项:
- 数据隐私:在使用过程中,请确保遵守相关法律法规,保护个人隐私。
- 数据预处理:在使用前,建议进行一定的数据预处理,如图像归一化等。
获取方式:
- 下载链接:请访问项目主页获取数据集下载链接。
- 许可证:请仔细阅读数据集的使用许可协议。
关键代码示例:
以下是关键代码的示例,包括数据加载、模型训练、检测和结果展示。
数据加载:
1import os
2import cv2
3import numpy as np
4
5# 数据集路径
6DATASET_PATH = 'path/to/dataset'
7IMAGES_DIR = os.path.join(DATASET_PATH, 'images')
8LABELS_DIR = os.path.join(DATASET_PATH, 'labels')
9
10# 加载数据集
11def load_dataset(directory):
12 images = []
13 labels = []
14
15 for img_file in os.listdir(IMAGES_DIR):
16 if img_file.endswith('.jpg'):
17 img_path = os.path.join(IMAGES_DIR, img_file)
18 label_path = os.path.join(LABELS_DIR, img_file.replace('.jpg', '.txt'))
19
20 image = cv2.imread(img_path)
21 with open(label_path, 'r') as f:
22 label = f.read().strip()
23
24 images.append(image)
25 labels.append(label)
26
27 return images, labels
28
29images, labels = load_dataset(DATASET_PATH)
模型训练:
1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 定义训练参数
5EPOCHS = 100
6BATCH_SIZE = 16
7
8# 训练模型
9results = model.train(data='wood_defects.yaml', epochs=EPOCHS, batch=BATCH_SIZE)
模型检测:
1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_wood_defects(image):
6 results = model.predict(image)
7 for result in results:
8 boxes = result.boxes
9 for box in boxes:
10 x1, y1, x2, y2 = box.xyxy[0]
11 conf = box.conf
12 class_id = box.cls
13
14 # 显示结果
15 cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16 cv2.putText(image, f'Class: {class_id}, Conf: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
17
18 return image
19
20# 测试图像
21test_image = cv2.imread('path/to/test_image.jpg')
22result_image = detect_wood_defects(test_image)
23cv2.imshow('Detected Wood Defects', result_image)
24cv2.waitKey(0)
25cv2.destroyAllWindows()
配置文件 wood_defects.yaml
:
1train: path/to/train/images
2val: path/to/val/images
3test: path/to/test/images
4
5nc: 10 # Number of classes
6names: ['Live knot', 'Dead knot', 'Knot with crack', 'Crack', 'Resin', 'Marrow', 'Quartzity', 'Knot missing', 'Blue stain', 'Overgrown'] # Class names
7
8# Training parameters
9batch_size: 16
10epochs: 100
11img_size: [640, 640] # Image size
使用指南:
- 数据准备:确保数据集路径正确,并且数据集已准备好。
- 模型训练:运行训练脚本,等待训练完成。
- 模型检测:使用训练好的模型进行检测,并查看检测结果。
结语:
本数据集提供了一个高质量的木材、板材缺陷检测数据集,支持自动化检测、质量控制等多个应用场景。通过利用该数据集训练的模型,可以提高木材加工的质量和效率。如果您有任何问题或需要进一步的帮助,请查阅项目文档或联系项目作者。