金属材料表面六种缺陷类型数据集（1800张图片已划分、已标注）
本数据集聚焦于金属表面质量检测，包含6类典型缺陷，1800张图像，标注完整，已按 train/val/test 划分，并使用 YOLO项目格式进行标注，适用于目标检测、缺陷分类与工业视觉相关任务。
背景
金属材料在轧制、热处理、运输及长期使用过程中，常会产生各类表面缺陷，这些缺陷不仅降低外观质量，更可能影响其强度、疲劳寿命甚至安全性能。随着工业制造向自动化与智能化演进，基于深度学习的表面缺陷检测成为提升质量控制的重要手段。
然而，高质量、标注规范的数据集一直是算法研究中的瓶颈。因此，我们构建了此面向学术与工业的金属缺陷数据集，旨在推动智能检测系统在实际场景中的落地与优化。
数据集概述
图像总数：1800张（已完成标注）
标注格式：YOLO格式与COCO格式可相互转化
图像尺寸：统一为640×640（可自定义缩放）
**划分：
📂 训练集: 1260
📂 验证集: 360
📂 测试集: 180类别数量：6类
类别配置（YOLO格式）：
nc: 6
names:
0: crazing
1: inclusion
2: patches
3: pitted_surface
4: rolled-in_scale
5: scratches
数据集详情
| 类别编号 | 类别名称 | 中文释义 | 特征描述 | |
|---|---|---|---|---|
| 0 | crazing | 裂纹/龟裂 | 表面微裂纹，形似龟壳裂纹，多因材料老化或热处理不均导致 | |
| 1 | inclusion | 杂质夹杂 | 材料中混入非金属杂质，外观呈点状或条状暗斑，影响材料纯度 | |
| 2 | patches | 表面块状斑痕 | 局部表面区域发生变色或质地异常，可能与氧化或油污有关 | |
| 3 | pitted_surface | 凹坑/腐蚀点 | 表面形成小孔或点蚀，通常是腐蚀或加工缺陷的结果 | |
| 4 | rolled-in_scale | 轧入氧化皮 | 热轧过程中氧化皮卷入表层形成异色斑块，边缘不规则 | |
| 5 | scratches | 划痕 | 线性划痕，由硬物刮擦形成，深浅不一，走向基本一致 |
所有缺陷都已使用边界框（bounding box）形式手动标注，适合用于 YOLO全系列、Faster R-CNN、RT-DETR 等检测模型的训练和评估。
适用场景
本数据集广泛适用于以下研究与工业应用：
- 工业缺陷检测模型训练
可直接用于训练YOLOv5、YOLOv8、RT-DETR等检测模型，用于实际部署或研究验证。 - 缺陷分类与分割任务
可对图像中心区域裁剪生成分类任务数据，或与语义分割工具配合进一步扩展。 - 算法对比与论文验证
适合用于不同检测网络的性能评估，支持标准化训练流程，有利于模型泛化性对比。 - 图像增强与合成学习研究
图像背景多样、缺陷类型复杂，适合作为生成对抗网络（GAN）或图像增强算法的输入。 - 工业自动化质检系统开发
可集成至边缘计算设备，实现对流水线上的金属件在线检测与报警。
完美适配检测任务，效果如下
实战配套项目
基于YOLOv8的6种金属表面缺陷检测识别项目【完整源码数据集+PyQt5界面+完整训练流程+开箱即用！】：https://blog.csdn.net/weixin_52908342/article/details/148336797
数据集分享
https://pan.baidu.com/s/1eltE8ewS4V1ONDGubsYJ4g?pwd=skr8
结语
本数据集通过系统性地收集、整理和标注金属材料表面六类典型缺陷，填补了工业视觉领域在金属表面缺陷检测方向公开数据资源的空白。其在样本多样性、标注精度和场景适配性方面具有显著优势，不仅可作为深度学习算法的训练基准，也适用于真实工业质检系统的部署验证。
未来，我们将进一步扩展该数据集的规模和缺陷类别，加入语义分割、实例分割等多模态标注形式，支持更复杂的检测与识别任务。我们诚邀学术界与工业界的研究者在此基础上深入探索，共同推动智能制造与视觉质检技术的落地发展。
