【深度学习】YOLOv5，金属表面的缺陷检测，GC10-DET数据集

已于 2024-09-27 11:03:45 修改
阅读量1.7k 收藏 15
点赞数 5
分类专栏： 深度学习机器学习 文章标签： 金属缺陷 yolov5
于 2024-04-26 16:51:33 首次发布
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/x1131230123/article/details/138221568
版权

目录：

文章目录

数据集

数据集地址：

https://github.com/lvxiaoming2019/GC10-DET-Metallic-Surface-Defect-Datasets

数据集下载方式：

Download link：https://pan.baidu.com/s/1Zrd-gzfVhG6oKdVSa9zoPQ Verify Code：cdyt

其中有个excel，写了介绍：此数据集一共10种金属缺陷，每一种有多少张图也写在excel了：

在这里插入图片描述

数据集转换

数据集的lable文件夹下是每个图片的框和类别标记，是xml格式。

在这里插入图片描述

运行下面这个代码，可

了解本专栏 订阅专栏 解锁全文
【图像检测】基于支持向量机SVM算法实现金属表面缺陷分类与测量matlab代码
qq_59747472的博客
11-09 786
1 简介 针对人工检测金属表面缺陷效率低,主观意识强,无法长时间工作等缺点,提出一种基于支持向量机监督检测,分类以及测量的金属表面缺陷的方法,并使用Matlab软件设计一个图形用户界面(GUI),便于检测人员使用.研究中先对工厂采集的图像进行Gabor滤波和对比度增强的前处理.然后使用方向梯度直方图(HOG)和灰度共生矩阵(GLCM)进行特征提取,为后续提高检测准确率打下基础.最后对于每种缺陷类型都采用270张图片进行模型训练,利用训练好的模型对测试图片进行测试.实验结果表明,最终3种缺陷类型的总正确率为
GC10-DET工业缺陷识别：基于YOLOv8的目标检测系统与可视化UI实现
最新发布
m0_52343631的博客
04-11 66
GC10-DET（钢材表面缺陷识别数据集）是由中科院自动化研究所发布的公开数据集，用于钢铁工业中10种典型表面缺陷的目标检测任务。
【YOLO 系列】基于YOLO V8的金属表面缺陷检测检测识别系统【python源码+Pyqt5界面+数据集+训练代码】
牧子川的博客
05-10 7654
金属表面缺陷的及时检测对于保障产品质量和生产安全至关重要。传统的人工检测方法往往效率低下、耗时长，并容易受主观因素影响。为解决这一问题，我们提出了基于深度学习技术的金属表面缺陷检测系统。本项目的最终目标是帮助金属制造行业实现缺陷检测的自动化和智能化，提高产品质量和生产效率，降低生产成本和安全风险。
工业缺陷铸件工件缺陷检测数据集VOC+YOLO格式1445张7类别
FL1623863129的博客
02-10 443
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["Blue hole","Brake_Thermal_Cracks","Contact_Fatigue_Cracks","Out_Of_Roundness","Peeling","Rollerpile","flat"]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)标注规则：对类别进行画矩形框。
东北大学GC10-DET数据集，
11-04
供大家学习使用 数据集来源与类型： GC10-DET数据集包含在真实工业环境中收集的表面缺陷图像，专注于钢铁材料的表面缺陷检测。 数据集内容： 数据集涵盖了十种类型的表面缺陷，具体包括冲孔（Pu）、焊缝（Wl）、新月形缝隙（Cg）、水斑（Water Spot）、油斑（Os）、丝斑（Ss）、夹杂物（In）、轧坑（Rp）、折痕（Cr）和腰部折痕（Wf）。 所有缺陷图像均位于钢板表面，数据集包含3570张灰度图像。
缺陷检测数据集GC10-DET的数据处理
qq_41642036的博客
04-28 8793
GC10-DET是在真实工业中收集的表面缺陷数据集。一个真实的行业。它包含十种类型的表面缺陷，即冲孔（Pu）、焊缝（Wl）、新月形缝隙（Cg）、水斑（Water Spot）。油斑(Os)、丝斑(Ss)、夹杂物(In)、轧坑(Rp)、折痕(Cr)、腰部折痕 (Wf)。所收集的缺陷都在钢板的表面。该数据集包括3570张灰度 图像。
【开源数据集】钢板表面缺陷数据集GC10-DET/NEU-DET
hzg19930513的博客
12-18 3647
本期给大家带来了两个数据集，都是关于钢板表面缺陷检测相关的数据。
基于YOLOv8的GC10-DET缺陷检测系统（Python源码+Pyqt6界面+数据集）
04-09 2095
基于YOLOv8的GC10-DET缺陷​​​​​​​检测系统，并阐述了整个数据制作和训练可视化过程，最后通过Pyside UI界面进行展示。
GC10-DET，用于训练YOLO11、YOLOv10、YOLOv8、YOLOv5等
11-13
数据集大小：训练集1833，验证集459张
如何使用Yolov8训练——GC10-DET钢材缺陷数据集 2293张图像，10种瑕疵类型：包括VOC和YOLO两种格式，YOLO格式给出yaml文件，yolov8可直接跑
2401_88441190的博客
11-09 1159
如何训练GC10-DET钢材缺陷数据集，并提供使用YOLOv8进行训练的详细步骤和代码。数据集介绍深色版本├── train/├── val/└── test/每个文件夹中包含对应的图像文件和标签文件。确保所有图像文件都是.jpg格式，而标签文件是.txt格式，并且它们的名字与对应的图像文件相同。数据集配置文件创建一个数据集配置文件（如gc10_det_dataset.yaml），该文件定义了数据集的基本信息，包括路径、类别等。示例配置如下：yaml深色版本。
基于YOLOv8改进的高精度工业表面缺陷检测网络：DCNv4+SPPF+CSPStage组合创新
04-10
这些改进显著提高了NEU-DET和GC10-DET数据集上的mAP值，同时保持了较快的推理速度。文中详细展示了每个模块的具体实现方法及其带来的性能提升。 适合人群：从事工业质检领域的研究人员和技术开发者，尤其是对深度...
瑕疵检测数据集
01-05
缺陷检测/瑕疵检测数据集。包含瑕疵图片的训练集和验证集。
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
钢板表面缺陷数据集(铝型材和德国DAGM数据集混合制作，使用了高斯噪声扩充数据集)
05-01
1.钢板表面划伤数据集 2.钢板表面孔洞数据集 3.钢板表面焊缝数据集 4.该数据集由铝型材数据集和德国DAGM数据集混合制作，铝型材数据集有10个类别，选择上述三类，德国DAGM数据集也有10个类别，选取其中上述三个类别。 5.部分标签文件手工标注 6.共4282张jpg图片和其对应的4282个xml格式的标签 7.经过整理，直接可以用 8.由于文件有1.67G所以分两次上传 9.第二部分
【目标检测】铝片表面缺陷检测数据集VOC+YOLO
lwx666sl的博客
04-13 1117
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)：400 标注数量(xml文件个数)：400 标注数量(txt文件个数)：400 标注类别数：4 标注类别名称:["ca_shang","zang_wu","zhe_zhou","zhen_kong"] 每个类别标注的框数： ca_shang 框数 = 270 zang_wu 框数 = 456 zhe_zhou 框数 = 124
【表面缺陷检测】表面缺陷检测数据集汇总
热门推荐
学无止境、积少成多、厚积薄发
08-12 2万+
本文收集整理了16个表面缺陷检测相关的数据集，并对每个数据集的特点进行了简单的介绍。（文末附数据集）
【表面缺陷检测】基于yolov5的钢板表面缺陷检测(附代码和数据集，Windows系统)
学无止境、积少成多、厚积薄发
05-11 2005
基于yolov5的钢板表面缺陷检测(附代码和数据集，Windows系统)
＜数据集＞钢铁缺陷检测数据集＜目标检测＞
qq_53332949的博客
07-16 878
YOLO与VOC格式的钢铁缺陷检测数据集，适用于YOLO系列、Faster Rcnn、SSD等模型训练，类别：Crazing、patches、inclusion、pitted_surface、rolled-in_scale、scratches
GC10-DET数据集
01-13
### GC10-DET 数据集介绍 GC10-DET 是一个专门用于金属表面缺陷检测的数据集[^1]。该数据集包含了多种类型的金属表面缺陷图像，旨在帮助研究人员开发和评估针对工业场景中的自动化质量控制系统的算法。 #### 数据集特点 - **类别多样性**：涵盖了常见的十种不同类型的金属表面缺陷。 - **高质量标注**：每张图片都经过精确的人工标注，确保训练模型时能够获得可靠的标签信息。 - **应用场景广泛**：适用于各种机器视觉任务，特别是那些涉及复杂背景下的微小瑕疵识别的任务。 ### 使用方法 为了有效利用此数据集进行研究工作或构建实际应用系统，在获取到原始文件之后通常需要完成以下几个方面的工作： #### 准备环境 安装必要的依赖库来处理图像读取、预处理以及后续可能涉及到的深度学习框架支持。对于 Python 用户来说，可以考虑如下命令来进行基础设置： ```bash pip install numpy opencv-python matplotlib torch torchvision ``` #### 加载并探索数据 通过编写简单的脚本来加载部分样本查看其基本信息，比如尺寸大小、通道数等，并可视化一些实例以便直观理解所面临挑战的程度。 ```python import os from PIL import Image import matplotlib.pyplot as plt def display_sample_images(data_dir, num_samples=5): fig = plt.figure(figsize=(12, 8)) all_files = [os.path.join(root, name) for root, _, files in os.walk(data_dir) for name in files if ".jpg" in name] selected_imgs = all_files[:num_samples] for idx, img_path in enumerate(selected_imgs): ax = fig.add_subplot(1, num_samples, idx + 1) image = Image.open(img_path).convert('RGB') ax.imshow(image) ax.axis('off') display_sample_images('./path_to_gc10_det_dataset') # 替换为实际路径 plt.show() ``` #### 预处理与增强 考虑到真实世界条件下采集到的照片往往存在光照变化大等问题，因此建议实施适当的数据扩增策略以提高泛化能力。这包括但不限于随机裁剪、翻转、旋转等方式。 ```python import albumentations as A from albumentations.pytorch.transforms import ToTensorV2 transform = A.Compose([ A.Resize(height=640, width=640), A.HorizontalFlip(p=0.5), A.VerticalFlip(p=0.5), A.RandomRotate90(), A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ToTensorV2() ]) ```
评论 1
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
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