瓶盖缺陷检测数据集（Bottle Cap Defect）| 3800张YOLO工业质检数据集 适用于工业流水线质检、自动化分拣与目标检测研究
一、数据集概述
本数据集是一套面向工业生产场景与智能质检领域构建的高质量 缺陷检测数据 集，专注于瓶装产品生产流水线中瓶盖质量问题的精准识别与定位任务。数据集共包含3800张高质量人工标注图像，所有样本均贴合实际工业生产环境，覆盖瓶盖生产、装配过程中的主流缺陷类型与合格样本，适用于YOLO系列、Faster R- CNN 、SSD、RetinaNet等主流目标检测算法的训练、验证与测试。
随着工业自动化与智能制造的发展，利用计算机 视觉 技术实现瓶盖质量缺陷的自动检测、分类与定位已成为现代食品饮料、医药包装等行业提质增效的重要手段。本数据集针对工业流水线场景下瓶盖缺陷形态多样、正负样本不均衡、检测实时性要求高等问题进行专项构建，可为工业智能质检系统开发和自动化分拣算法研发提供高质量数据支撑。
数据集下载
通过网盘分享的文件：瓶盖缺陷检测数据集
链接: https://pan.baidu.com/s/1C2CmromztgAt27f_aH8Knw?pwd=mz5k
提取码: mz5k
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 瓶盖缺陷检测数据集 |
| 数据规模 | 3800张高质量标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 破损瓶盖、断裂防盗环、合格瓶盖、松动瓶盖、无瓶盖 |
| 类别数量（nc） | 5类 |
| 标注方式 | Bounding Box目标框标注 |
| 数据格式 | YOLO标准格式 |
| 数据来源 | 真实工业生产流水线场景 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv8、YOLOv10、YOLOv11、Faster R-CNN、SSD等 |
三、数据集类别说明
本数据集为多类别缺陷检测数据集，共设置5类检测目标，涵盖瓶盖生产、装配过程中的主流缺陷类型与合格样本，类别划分全面且贴合工业质检实际需求，既包含合格产品样本，也覆盖了瓶盖破损、防盗环断裂、瓶盖松动、缺失瓶盖等常见故障缺陷，完整覆盖瓶盖质量检测的核心场景。
类别配置
nc: 5
names:
- broken_cap
- broken_tamper_ring
- good_cap
- loose_cap
- no_cap
类别详情
| 类别ID | 类别名称 | 英文名称 | 类别说明 |
|---|---|---|---|
| 0 | 破损瓶盖 | broken_cap | 瓶盖本体出现裂痕、破损、变形等物理损伤 |
| 1 | 断裂防盗环 | broken_tamper_ring | 瓶盖防盗环断裂、缺失或损坏 |
| 2 | 合格瓶盖 | good_cap | 外观完好、装配正常的合格瓶盖样本 |
| 3 | 松动瓶盖 | loose_cap | 瓶盖未旋紧、明显松脱或位置偏移 |
| 4 | 无瓶盖 | no_cap | 瓶口处完全缺失瓶盖 |
多类别细粒度设计能够使模型更好地区分不同缺陷类型与正常样本，特别适用于工业流水线自动化质检、缺陷分类统计与分拣系统开发等专项应用场景。
四、数据集结构说明
数据集采用标准YOLO目录结构组织，可直接用于 目标检测 模型训练。
database/
└── 瓶盖缺陷检测数据集
├── train
│ └── images
├── valid
│ └── images
└── test
└── images
各数据集作用如下：
- train/images：训练集，用于模型参数学习与特征提取；
- valid/images：验证集，用于训练过程中的模型性能评估与超参数优化；
- test/images：测试集，用于最终泛化能力验证与模型性能评估。
所有标签文件均采用标准YOLO格式，与图像文件一一对应，无需额外格式转换即可直接使用。
五、数据集核心优势
1. 真实工业生产场景采集
数据全部来源于真实瓶装产品生产流水线环境，真实反映工业质检实际应用场景，相较于实验室模拟数据具有更高的工程价值。
覆盖场景包括：
- 高速瓶装饮料生产线
- 医药包装流水线
- 食品调味品灌装线
- 不同材质瓶盖（塑料、金属等）
- 不同瓶型与瓶口规格
能够有效提升模型的实际部署效果。
2. 多样化缺陷类型覆盖
瓶盖缺陷形态多样、特征各异。
数据集中包含：
- 瓶盖裂纹与破碎
- 防盗环断裂与缺失
- 瓶盖旋紧不到位
- 瓶盖完全缺失
- 合格正样本与缺陷负样本均衡分布
有助于提升模型对不同缺陷类型的检测与区分能力。
3. 复杂流水线场景适配
数据覆盖：
- 不同光照条件（车间照明、自然光）
- 不同拍摄角度与距离
- 不同传送带速度下的动态模糊
- 瓶盖不同朝向与姿态
- 背景干扰与遮挡场景
能够有效增强模型在真实流水线环境中的鲁棒性。
4. 高质量人工标注
所有图像均经过人工精细化标注与多轮审核：
- 边界框精准贴合目标
- 缺陷区域准确定位
- 无漏标现象
- 无类别混淆
- 正负样本标注统一规范
有效保证模型训练质量。
5. 强泛化能力
数据涵盖：
- 不同类型瓶盖产品
- 不同生产线环境
- 不同光照与拍摄条件
- 不同缺陷程度与形态
能够显著提升模型在实际工业质检任务中的泛化能力。
六、适用场景
工业流水线自动化质检
实现瓶装产品生产过程中瓶盖质量的实时自动检测，替代传统人工目检。
缺陷产品自动分拣
结合检测结果驱动自动化分拣设备，实时剔除缺陷产品，提高产线效率。
瓶盖质量统计分析
自动统计各类缺陷发生率与分布趋势，为生产工艺优化提供数据支持。
智能检测系统开发
作为工业视觉检测系统的核心感知模块，实现瓶盖缺陷的识别、分类与定位。
食品饮料行业品控
应用于饮料、食品、调味品等行业的包装质量管控，保障产品合格率。
医药包装安全检测
用于药品瓶装包装线的瓶盖完整性检测，确保药品包装密封安全。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 工业缺陷检测研究
- 小目标缺陷检测研究
- 目标检测算法优化研究
- YOLO系列模型工业部署研究
- 轻量化检测模型研究
- 正负样本不均衡检测研究
- 实时目标检测研究
- 自动化视觉分拣研究
- 智能制造视觉算法研究
- 包装质量检测研究
- 边缘计算视觉部署研究
- 数据增强与域适应研究
八、总结
瓶盖缺陷检测数据集（Bottle Cap Defect） 包含3800张高质量标注图像，采用标准YOLO格式构建，专注于工业生产场景下的瓶盖质量缺陷检测任务。数据集覆盖破损瓶盖、断裂防盗环、合格瓶盖、松动瓶盖、无瓶盖5类核心检测目标，具有标注精准、场景真实、缺陷类型丰富等特点，可广泛应用于工业流水线质检、自动化分拣、智能检测系统开发等领域，是开展工业视觉质检 算法 研发与智能制造系统建设的优质数据资源。
