DL00618-基于YOLOv5的钢材表面缺陷检测含数据集处理 东北大学(NEU)表面缺陷数据集收集了热轧带钢6种典型的表面缺陷即轧内垢(RS)、斑块(Pa)、裂纹(Cr)、点蚀面(PS)、夹杂物(In)和划痕(Sc)。 该数据库包括1800张灰度图像6种不同类型的典型表面缺陷各300个样本。 6种典型表面缺陷的样本图像每张图像的原始分辨率为200×200像素。 从图中我们可以清楚地观察到类内缺陷在外观上存在较大差异例如划痕(最后一列)可能是水平划痕、垂直划痕和倾斜划痕等。 与此同时类间缺陷也具有相似的特征如滚积垢、裂纹和坑状表面。 此外由于光照和材料变化的影响类内缺陷图像的灰度会发生变化。 总之NEU表面缺陷数据库包含两个难题即类内缺陷存在较大外观差异类间缺陷具有相似方面缺陷图像受到光照和材料变化的影响。最近在研究钢材表面缺陷检测用到了东北大学(NEU)表面缺陷数据集感觉很有意思来和大家分享一下。这个数据集收集了热轧带钢6种典型的表面缺陷分别是轧内垢(RS)、斑块(Pa)、裂纹(Cr)、点蚀面(PS)、夹杂物(In)和划痕(Sc)。一共有1800张灰度图像每种缺陷各300个样本。每张图像原始分辨率是200×200像素。从这些样本图像中能明显看出一些有趣的情况。比如说类内缺陷在外观上差异很大就像划痕有水平的、垂直的还有倾斜的。这给缺陷检测带来了不小的挑战因为模型得能准确识别出不同形态的同一种缺陷。# 这里可以简单示意一下读取图像的代码 import cv2 img cv2.imread(defect_image.jpg, 0) # 以灰度模式读取图像代码分析这里使用cv2.imread函数读取图像第二个参数0表示以灰度模式读取。这样读取出来的图像就是我们数据集中的那种灰度图方便后续处理。DL00618-基于YOLOv5的钢材表面缺陷检测含数据集处理 东北大学(NEU)表面缺陷数据集收集了热轧带钢6种典型的表面缺陷即轧内垢(RS)、斑块(Pa)、裂纹(Cr)、点蚀面(PS)、夹杂物(In)和划痕(Sc)。 该数据库包括1800张灰度图像6种不同类型的典型表面缺陷各300个样本。 6种典型表面缺陷的样本图像每张图像的原始分辨率为200×200像素。 从图中我们可以清楚地观察到类内缺陷在外观上存在较大差异例如划痕(最后一列)可能是水平划痕、垂直划痕和倾斜划痕等。 与此同时类间缺陷也具有相似的特征如滚积垢、裂纹和坑状表面。 此外由于光照和材料变化的影响类内缺陷图像的灰度会发生变化。 总之NEU表面缺陷数据库包含两个难题即类内缺陷存在较大外观差异类间缺陷具有相似方面缺陷图像受到光照和材料变化的影响。再看类间缺陷它们又有相似的特征像滚积垢、裂纹和坑状表面。这就需要模型能够精准区分不同类别的缺陷特征。而且由于光照和材料变化的影响类内缺陷图像的灰度也会发生变化。这也是一个头疼的问题会干扰模型对缺陷的准确判断。总的来说NEU表面缺陷数据库包含两个大难题一是类内缺陷存在较大外观差异二是类间缺陷具有相似方面同时缺陷图像还受到光照和材料变化的影响。不过通过不断探索和优化基于YOLOv5的检测方法相信能逐步攻克这些难题实现更精准的钢材表面缺陷检测后续我也会继续和大家分享在这个过程中的更多发现和经验。