天池--智能算法赛：瓷砖表面瑕疵质检数据集 百度云下载

最新推荐文章于 2024-07-05 15:04:26 发布
最新推荐文章于 2024-07-05 15:04:26 发布
阅读量2.6k 收藏 7
点赞数 5
CC 4.0 BY-SA版权
分类专栏： CV视觉 文章标签： 百度 python 机器学习
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/weixin_41194171/article/details/112675570
这是一个关于智能算法竞赛的资源分享，提供了瓷砖表面瑕疵质检的数据集，可以从百度云下载。链接为：https://pan.baidu.com/s/1H7jqTnk5VG9r4rp-qXzBfw，密码：n77e。该数据集对于训练和提升算法在图像检测和质量控制领域的应用具有重要意义。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

天池–智能算法赛：瓷砖表面瑕疵质检数据集 百度云下载

在这里插入图片描述

在这里插入图片描述

下载链接
链接:https://pan.baidu.com/s/1H7jqTnk5VG9r4rp-qXzBfw  密码:n77e
瓷砖瑕疵检测数据集VOC+YOLO标注.zip
04-24
天池瓷砖瑕疵检测数据集VOC+YOLO标注文件，官方提供格式是自己定义的不方便，于是转成VOC和YOLO格式方便做yolo训练
瓷砖表面瑕疵质检
爱CV
08-19 1699
经前期调研，瓷砖生产环节一般（不同类型砖工艺不一样，这里以抛釉砖为例）经过原材料混合研磨、脱水、压胚、喷墨印花、淋釉、烧制、抛光，最后进行质量检测和包装。最近天池上线的广东工业赛事针对瓷砖表面瑕疵进行智能检测，要求选手们相应的算法，尽可能快与准确的给出瓷砖疵点具体的位置和类别，主要考察疵点的定位和分类能力。工业缺陷检测是当前深度学习落地的热门项目，其中瓷砖生产过程中的“质量检测环节”需要检测出瓷砖表面的瑕疵，目前比较依赖于人工，效果和效率都层次不齐。花色简单，数量总共约12000张，包含训练集和测试集.
图像样本
weixin_49304690的博客
02-11 295
图像样本预处理 import cv2 import numpy as np import os import random import matplotlib.pyplot as plt from global_var import * from math import * data_root_path = "/home/tarena/MagneticTile/" 不切边旋转 def remote(img, angle): h, w = img.shape[:2] h_new = int
天池-瓷砖表面缺陷数据集转xml格式标签
weixin_48198070的博客
05-25 1393
运行完之后会自动生成Annotations文件夹，里面有xml格式的标签，可以用于目标检测。找到了一个相关的代码结果运行出来是错的。下载好解压之后是这三个文件夹。
[数据集][目标检测]护目镜检测数据集VOC+YOLO格式888张1类别
FL1623863129的博客
07-05 553
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)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。图片数量(jpg文件个数)：888。标注数量(xml文件个数)：888。标注数量(txt文件个数)：888。标注类别名称:["goggle"]重要说明：数据集中部分图片有增强。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
目标检测-部分天池铝型材表面瑕疵数据集
10-25
在这个场景下，我们关注的是“目标检测-部分天池铝型材表面瑕疵数据集”，这是一个专门针对铝型材表面缺陷检测的数据集，用于训练和评估机器学习模型。 数据集包含了三个不同的类别，它们代表了铝型材可能存在的三...
天池瓷砖表面瑕疵质检比赛.zip
10-01
【标题】"天池瓷砖表面瑕疵质检比赛"是一个聚焦于图像处理和机器学习领域的竞赛，旨在通过算法自动检测瓷砖表面的缺陷。这类问题在工业生产中具有重要应用，能够提高产品质量控制的效率和准确性。 【描述】"比赛...
新手入门天池demo--金融数据分析赛题2：保险反欺诈预测.zip
09-28
在本压缩包中，我们关注的是一个针对新手的天池数据科学竞赛入门示例，主题为"金融数据分析赛题2：保险反欺诈预测"。这个项目主要涉及的是使用数据分析和机器学习技术来识别保险欺诈行为，这对于保险行业的风险管理...
深度学习图像识别数据集：5种常见瓷砖缺陷分类数据集
01-23
数据集包含5种常见瓷砖缺陷分类数据集，数据按照文件夹储存，不需要处理可直接用作深度学习训练数据。 数据分为以下5种常见瓷砖缺陷：气孔、破碎、裂纹、磨损、凹凸不平 数据集总大小：14MB 下载解压后的图像目录：...
Magnetic-tile-defect-datasets.:即将发表的论文“磁砖表面缺陷的显着性”的数据集
05-10
这是“磁砖表面缺陷的显着性”论文的数据集。收集了6种常见磁砖缺陷的图像，并标记了它们的像素级地面真相。 图1.我们的数据集概述。 欢迎使用我们的数据集。 如果在您的研究中使用它，请引用我们的论文。 可以在用于表面缺陷显着性检测的工具箱。 其中有我们的MCue和其他14个显着性检测模型。 如有任何疑问，请通过以下方式与我联系
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。
数据集瓷砖缺陷数据集yolo+voc格式888张3个标签.zip
最新发布
12-09
数据集介绍：采用图片均为单块瓷砖的图，对其上的划痕线、破洞以及边缘破碎进行标注，共3个标签 数据集格式：VOC格式+YOLO格式 压缩包内含：3个文件夹，分别存储图片、xml、txt文件 JPEGImages文件夹中jpg图片总计：888 Annotations文件夹中xml文件总计：888 labels文件夹中txt文件总计：888 标签种类数：3 标签名称:["bianyuanposui","huahengxian","podong"] 每个标签的框数： bianyuanposui 框数 = 6054 huahengxian 框数 = 4216 podong 框数 = 6288 总框数：16558 图片清晰度（分辨率：像素）：清晰 图片是否增强：否 标签形状：矩形框，用于目标检测识别 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
瑕疵-数据集
03-30
瑕疵-数据集
布匹瑕疵数据集-2019天池
05-06
32种布匹表面瑕疵缺陷，每种缺陷的图片数量不一，有的多，有的少。有爱自取，只能帮到这了，说实话质量不是很高。
NEU表面缺陷检测数据集大全
11-09
NEU数据集大全，包含了原始数据集，扩展的64*64大小的分类数据集，缺陷定位（带有label）的数据集
基于Faster-RCNN的瓷砖表面瑕疵检测
code_program481的博客
09-20 409
然后，我们加载了预训练的Faster-RCNN模型，并将其移动到可用的设备（GPU或CPU）上。总结起来，本文介绍了基于Faster-RCNN的瓷砖表面瑕疵检测方法，并提供了相应的源代码实现。通过使用预训练的模型和图像处理技术，我们可以自动检测和定位瓷砖表面的缺陷，提高生产效率和质量控制水平。瓷砖表面瑕疵检测是一个重要的任务，旨在自动识别并定位瓷砖表面的缺陷，以提高生产效率和质量控制。在本文中，我们将介绍一种基于Faster-RCNN算法的瓷砖表面瑕疵检测方法，并提供相应的源代码实现。
【亲测免费】 探索磁砖表面缺陷的智能检测：Saliency of magnetic tile surface defects 数据集
gitblog_00068的博客
06-06 722
探索磁砖表面缺陷的智能检测：Saliency of magnetic tile surface defects 数据集 1、项目介绍 在人工智能和计算机视觉领域中，精确检测物体表面的细微缺陷是一项极具挑战的任务。为此，我们很高兴向大家推荐这个名为"Saliency of magnetic tile surface defects"的数据集。这个数据集专注于磁砖表面常见缺陷的研究...
【项目合作】瓷砖表面打印缺陷识别
我爱计算机视觉
02-27 957
点击我爱计算机视觉标星，更快获取CVML新技术工业生产中的产品缺陷检测是有广泛需求的，技术方案也往往需要高度定制，天池曾经上线过好几个不同的产品缺陷检测（布匹、白酒等）。52CV的一位粉...
基于Faster R-CNN的瓷砖表面瑕疵检测：一个深度学习方法的实现与优化
sybh的博客
05-26 851
Faster R-CNN是一种用于目标检测的深度学习模型，于2015年提出。与之前的R-CNN和Fast R-CNN相比，它通过引入(RPN)来生成候选区域，大大提高了目标检测速度。Convolutional layers: 使用卷积层提取图像特征；Region Proposal Network (RPN): 基于图像特征生成候选区域；ROI pooling: 将候选区域的特征转化为固定大小，以便进行分类和回归；Classification: 对候选区域进行分类；
评论 91
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