轴承表面缺陷检测数据集 | 工业质检深度学习数据集

简介

本数据集面向工业智能制造、自动化视觉检测场景，专为轴承表面缺陷智能检测任务打造，助力构建高鲁棒性检测系统，解决工业质检人工漏检、效率低、一致性差的痛点，保障高端装备零部件质量。g

数据集核心信息

基础规模

• 总数据：5824张JPG图像，配套等量VOC XML与YOLO TXT双格式标签
• 原始数据：约2300张真实采集图像
• 增强数据：约3524张，通过添加高斯白噪声生成，提升模型鲁棒性

图像规格

• 格式：RGB JPG
• 分辨率：提供416×416（适配YOLOv5n/s等轻量模型）、640×640（适配YOLOv8m/l等高精度模型）两个版本，均为原图压缩缩放所得

缺陷类别（3类）

1. 擦伤缺陷（cashang）：表面浅层摩擦损伤，呈不规则斑块状
2. 凹槽缺陷（aocao）：线性或弧形凹陷，深度较明显
3. 划痕缺陷（huahen）：细长线状刮伤，方向性强

标签规范

• 每张图像对应1个XML文件+1个TXT文件，类别名统一小写
• YOLO类别映射：0=cashang、1=aocao、2=huahen
• 数据划分：无预划分训练/验证/测试集，支持用户自定义（推荐7:2:1）

数据集挑战

• 缺陷尺度微小、与背景对比度低
• 凹槽与划痕缺陷形态相似，易混淆
• 噪声增强数据含伪影，考验模型泛化能力

适用场景与模型

适用场景

• 工业在线质检系统部署
• 缺陷分类与定位一体化任务
• 小样本学习、噪声鲁棒性算法研究

适配模型

兼容YOLOv5、YOLOv8、Faster R-CNN、SSD、EfficientDet等主流深度学习目标检测框架

核心价值

数据集聚焦工业质检刚需，数据量充足、标注规范、适配多模型，既能快速落地轴承缺陷智能检测项目，也为工业视觉领域鲁棒性算法研究提供优质数据支撑，推动AI技术在高端制造场景的落地应用。

标签

#工业视觉 #轴承缺陷检测 #深度学习数据集 #智能制造 #AI质检