【表面缺陷检测】常用开源表面缺陷检测数据集 整理

数据集是深度学习研究的基础，开源数据集为各种方法提供了比较的基准(benchmark)。

不同于经典计算机视觉任务中的 ImageNet、PASCAL VOC2007/2012 和 COCO 等数据集，表面缺陷检测并没有一个统一的，大规模的数据集，不同的缺陷检测数据集，在 样本数量，正负样本比例，复杂度 等方面都有很大的不同。

不同的缺陷数据集往往适用于不同的方法。

不同的检测设定下的研究往往基于不同的缺陷数据集。

这里对一些 常用的开源表面缺陷检测数据集 进行了整理汇总。

1、NEU surface defect database

热轧带钢（钢材）表面缺陷 东北大学

项目官网【之前的链接挂掉了，这是 新的地址】

数据集介绍:

该数据集收集了 热轧带钢表面的6类典型缺陷：

• (rolled-in scale， RS)
• 斑块(patches, Pa)
• 开裂(crazing, Cr)
• 点蚀(pitted surface, PS)
• 包含(inclusion, In)
• 划痕(scratches, Sc)。

每种类型缺陷各 300 个样本，总共 1800 张灰度图像，每张图像的 原始分辨率 为 200×200 像素。对于缺陷检测任务，作者还 提供了 bounding box 标注，注明了每个图像中缺陷的类别和位置。

下图展示了六种缺陷的样本图像。

从图中可以清楚地看出，类内(intra-class)缺陷在外观上存在较大的差异，比如划痕(最后一列)可能是水平划痕、垂直划痕、倾斜划痕等。同时，类间(inter-class)缺陷也存在相似之处，如 rolled-in scale, crazing(龟裂), and pitted surface(凹凸不平)等。

此外，由于光照和具体材质的影响，类内(intra-class)缺陷图像的灰度值也会发生变化

总而言之，NEU表面缺陷数据库包括两个challenge:

1. 类内缺陷存在较大的外观差异，类间缺陷具有相似的方面
2. 缺陷图像受到光照和具体材质变化的影响。

下图展示了在NEW-DET上的一些检测结果示例。