[数据集][目标检测]智能手机屏幕缺陷检测数据集VOC+YOLO格式1200张3类别油斑划痕两点三类

于 2024-03-16 16:09:55 发布
阅读量553 收藏 9
点赞数 8
分类专栏： 数据集 文章标签： 目标检测 YOLO 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FL1623863129/article/details/136764515
版权

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
图片数量(jpg文件个数)：1200
标注数量(xml文件个数)：1200
标注数量(txt文件个数)：1200
标注类别数：3
标注类别名称:["oilspot","scratch","star"]
每个类别标注的框数：
oilspot 框数 = 554
scratch 框数 = 1335
star 框数 = 1135
总框数：3024
使用标注工具：labelImg
标注规则：对类别进行画矩形框
重要说明：暂无
特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注

整体图：

示例：

油斑：

 划痕：

 

亮点：

 

FL1623863129
关注
  • 8
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
几种表面缺陷检测数据集
庆志的小徒弟
12-12 5万+
1、德国DAGM 2007的数据集 总共十类图像，有训练集和测试集，几种样例如下： 官方网址：https://hci.iwr.uni-heidelberg.de/node/3616 网盘下载： 链接：https://pan.baidu.com/s/1CHrH1tZ-B6kvi8U7--isaw 提取码：47jo 2、钢材表面缺陷 这个数据集是东北大学一个老师收集的，分为三个数据...
缺陷检测数据集
11-15
缺陷检测数据集，用于训练缺陷检测神经网络。从https://github.com/sundyCoder/DEye下载
斑马目标检测数据集VOC+YOLO格式2313张3类别.zip
12-14
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2313 标注数量(xml文件个数)：2313 标注数量(txt文件个数)：2313 标注类别数：3 标注类别名称:["Zebra","Giraffe","Elephant"] 每个类别标注的框数： Elephant 框数 = 3 Giraffe 框数 = 6 Zebra 框数 = 5394 总框数：5403 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
水牛目标检测数据集VOC+YOLO格式286张3类别.zip
12-14
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：286 标注数量(xml文件个数)：286 标注数量(txt文件个数)：286 标注类别数：3 标注类别名称:["Buffalo","Zebra","Elephant"] 每个类别标注的框数： Buffalo 框数 = 417 Elephant 框数 = 2 Zebra 框数 = 8 总框数：427 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
卷积神经网络自动分类手机外壳划痕
05-06
塑料手机外壳出厂合格检测时, 使用传统的人工辨别外观缺陷, 费时费力. 利用深度学习的卷积神经网络模型训练一个分类器, 实现手机外壳外观出现的划痕缺陷自动化检测, 可以极大的提高工作效率. 实验首先建立基本的卷积神经网络模型, 训练模型获得识别基线, 再设计修改逐步提高检测准确率. 为了解决小数据集训练中的模型过拟合和提高检测精度, 综合使用了丢弃层、数据增强技术和批量标准化, 减少参数量, 并应用迁移学习等方法. 实验结果证明, 分类器模型能有效提升准确率, 在小数据集上达到非常好的划痕缺陷识别效果.
犀牛目标检测数据集VOC+YOLO格式1370张4类别.zip
12-14
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1370 标注数量(xml文件个数)：1370 标注数量(txt文件个数)：1370 标注类别数：4 标注类别名称:["Rhino","Zebra","Giraffe","Elephant"] 每个类别标注的框数： Elephant 框数 = 3 Giraffe 框数 = 1 Rhino 框数 = 1804 Zebra 框数 = 6 总框数：1814 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
和手机缺陷分割相关的数据集
02-06
手机缺陷分割数据集 数据说明： 此数据集包含3种类型的表面缺陷:油、划痕和污渍。它由1200个图像和400个图像为每个缺陷。图像由工业相机采集分辨率为1920x1080。数据集格式为PASCALVOC。还有20个额外的无缺陷图像可用于无监督设置。 文件夹信息 此数据集由六个文件夹组成: 包含没有任何缺陷的手机图像。 机油:包含有机油缺陷的手机图像。 划痕:包含有划痕缺陷的手机图像。 污迹:包含有污迹缺陷的手机图像。 ground_truth1:包含有划痕和污点缺陷的图像的遮罩 ground_truth 2:包含油缺陷图像的遮置。
手机屏幕检测方案
04-02 1309
手机行业在消费升级和技术驱动的浪潮下备受瞩目。一方面是手机极大的改善着我们的生活，另一方面是人们对手机的依赖越来越强。 其中，全面屏极大的缩小了显示区到边框的距离，大大提升了视觉体验。与此同时，精确测量全面屏显示区到边缘的距离更为困难，这就需要高精度镜头和相机等相互协作达到测量目的。 今天我们来讲解下维视智造手机屏幕检测方案。 产品检测需求 LAN产品(AA区正视可见，B/L背面可见，CG正反面...
毕业设计-基于机器手机外观缺陷视觉检测算法 -YOLO
Hai_Lang_IT的博客
01-02 1130
毕业设计-基于机器手机外观缺陷视觉检测算法 -YOLO ：手机是当前人们生活中的必需品，如何高效并且尽可能低成本地制造手机成为了热点之一。而手机的屏幕缺陷检测则是属于手机制造过程中重要的一个环节，如何在这个环节上化繁为简并目提高效率至关重要。传统的人工检测不仅效率低下，并且会增加手机制造成本，还有一些传统的视觉处理方法,通过提取终像特征再通过提取的特征去选择、识别。这种传统的办法虽然降低了人下成本，但是受限于特征提取时的环境以及方式，。使得特征提取环节变得复杂，所以效率也不会太高。因此,寻求一种高效，可靠的
狮子目标检测数据集VOC+YOLO格式1416张1类别.zip
12-14
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1416 标注数量(xml文件个数)：1416 标注数量(txt文件个数)：1416 标注类别数：1 标注类别名称:["Lion"] 每个类别标注的框数： Lion 框数 = 1497 总框数：1497 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
绵羊目标检测数据集VOC+YOLO格式2966张1类别.zip
12-14
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2966 标注数量(xml文件个数)：2966 标注数量(txt文件个数)：2966 标注类别数：1 标注类别名称:["Sheep"] 每个类别标注的框数： Sheep 框数 = 8238 总框数：8238 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
智能手机屏幕缺陷检测数据集VOC+YOLO格式1200张3类别
03-22
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1200 标注数量(xml文件个数)：1200 标注数量(txt文件个数)：...
【目标检测数据集】桑叶虫害检测数据集VOC+YOLO格式1787张6类别.zip
05-05
【目标检测数据集】桑叶虫害检测数据集VOC+YOLO格式 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1787 标注...
杂草目标检测数据集VOC+YOLO格式2类别.zip
最新发布
05-12
杂草目标检测数据集VOC+YOLO格式2类别.zip杂草目标检测数据集VOC+YOLO格式2类别.zip杂草目标检测数据集VOC+YOLO格式2类别.zip杂草目标检测数据集VOC+YOLO格式2类别.zip杂草目标检测数据集VOC+YOLO格式2类别.zip杂草...
基于深度学习 利用目标检测的方法定位瑕疵位置
weixin_48262500的博客
09-12 875
利用目标检测的方法定位瑕疵位置 通过语义分割的方法分割瑕疵（使用传统方法，如二值化等方法分割亦可） 图像分类的方法判断类别 问题： 检测手机屏幕表面的瑕疵，在图中画出瑕疵位置并标明瑕疵种类。 Screen task 该数据集包含100张手机屏幕图片。 手机屏幕缺陷分成四类：气泡、针孔、锡灰、划痕 大致思路如下： 1.数据预处理，将不同种类的图片分割成指定大小，建立模型训练数据集 2.训练自己的分类器 输入图片通过模型来得到指定区域的特征向量，如果该向量和底库中A类型缺陷的某个向量相.
python基于DeeplabV3Plus开发构建手机屏幕表面缺陷图像分割识别系统
Together_CZ的博客
12-09 319
python基于DeeplabV3Plus开发构建手机屏幕表面缺陷图像分割识别系统
根据屏幕手指划痕解图案锁屏
lihuayong的专栏
09-07 5348
在使用触摸屏手机的时候，一般都会在手机的屏幕上留下自己的手指印，经过观察发现，手机中的图案解锁，就可以使用留在屏幕上的手指印解开锁屏图案。         屏幕上的手指印一般都是比较凌乱的，如果要解锁别人的手机图案，可以先把朋友的手机拿过来，你说你要看看ta的手机，一般都么有问题，也没有防备。手机拿过来之后，把屏幕上的手指划痕先擦出，然后再让你的朋友解一下锁，解锁完成之后你再把手机拿过来。通过下
使用python写一个脚本将yolo格式的目标检测数据集转换为voc格式的目标检测数据集
05-16
好的，以下是一个将yolo格式的数据集转换为voc格式的脚本。请确保您已经安装了必要的Python库，如xml.etree.ElementTree和opencv。 ```python import os import cv2 import xml.etree.ElementTree as ET classes = ['class1', 'class2', 'class3'] # 填写您的类别列表 yolo_labels_folder = 'yolo_labels/' # 填写您的yolo标签文件夹 voc_labels_folder = 'voc_labels/' # 填写您要输出的voc标签文件夹 image_folder = 'images/' # 填写您的图像文件夹 def convert(size, box): dw = 1. / size[0] dh = 1. / size[1] x = (box[0] + box[1]) / 2.0 y = (box[2] + box[3]) / 2.0 w = box[1] - box[0] h = box[3] - box[2] x = x * dw w = w * dw y = y * dh h = h * dh return (x, y, w, h) for filename in os.listdir(yolo_labels_folder): if filename.endswith('.txt'): img_id = filename[:-4] img_path = image_folder + img_id + '.jpg' img = cv2.imread(img_path) h, w, _ = img.shape # 创建新的voc标签文件 root = ET.Element('annotation') ET.SubElement(root, 'folder').text = 'VOC2007' ET.SubElement(root, 'filename').text = img_id + '.jpg' source = ET.SubElement(root, 'source') ET.SubElement(source, 'database').text = 'Unknown' size = ET.SubElement(root, 'size') ET.SubElement(size, 'width').text = str(w) ET.SubElement(size, 'height').text = str(h) ET.SubElement(size, 'depth').text = '3' ET.SubElement(root, 'segmented').text = '0' with open(yolo_labels_folder + filename, 'r') as f: lines = f.readlines() for line in lines: line = line.strip().split(' ') class_id = int(line[0]) x_min = int(float(line[1]) * w - float(line[3]) * w / 2) y_min = int(float(line[2]) * h - float(line[4]) * h / 2) x_max = int(float(line[1]) * w + float(line[3]) * w / 2) y_max = int(float(line[2]) * h + float(line[4]) * h / 2) obj = ET.SubElement(root, 'object') ET.SubElement(obj, 'name').text = classes[class_id] ET.SubElement(obj, 'pose').text = 'Unspecified' ET.SubElement(obj, 'truncated').text = '0' ET.SubElement(obj, 'difficult').text = '0' bbox = ET.SubElement(obj, 'bndbox') ET.SubElement(bbox, 'xmin').text = str(x_min) ET.SubElement(bbox, 'ymin').text = str(y_min) ET.SubElement(bbox, 'xmax').text = str(x_max) ET.SubElement(bbox, 'ymax').text = str(y_max) # 保存voc标签文件 tree = ET.ElementTree(root) tree.write(voc_labels_folder + img_id + '.xml') ``` 请将代码中的“classes”，“yolo_labels_folder”，“voc_labels_folder”和“image_folder”替换为您的自定义变量。此脚本假定yolo标签文件和图像文件具有相同的文件名（但文件扩展名不同），并且它们都位于yolo_labels_folder和image_folder中。 此脚本将在voc_labels_folder中生成与yolo标签文件相对应的voc标签文件。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

FL1623863129

你的打赏是我写文章最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值