鸡蛋鸭蛋缺陷分类与检测数据集（Egg Defect Detection）| 6600张YOLO智能分选数据分享·
数据集分享
链接: https://pan.baidu.com/s/1c1yLxKCXm4MUt-PiiOsaAw?pwd=87up
提取码: 87up
一、数据集概述
本数据集是一套面向家禽蛋类智能分选与品质检测场景构建的高质量目标检测数据集，专注于蛋类加工生产线中鸡蛋与鸭蛋的分类识别以及破损缺陷检测的双重任务。数据集共包含6600张高清标注图像，所有样本均采集于真实工业场景，覆盖不同光照条件、蛋品颜色差异及破损程度，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。
随着自动化分选技术和智能农业的发展，利用计算机视觉实现蛋类自动分类与破损检测已成为提高生产效率、保障蛋品质量的重要手段。本数据集针对蛋类分选场景中鸡鸭蛋外观相似、破损形态多样、光照与背景干扰复杂等问题进行专项构建，可为自动化分选线、智能质检系统、供应链监控及农业AI研究提供高质量数据支撑。
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 鸡蛋鸭蛋缺陷分类与检测数据集 |
| 数据规模 | 6600张高清标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 鸡蛋、鸡蛋-破损、鸭蛋、鸭蛋-破损 |
| 类别数量（nc） | 4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 | 真实蛋类加工生产线与工业场景 |
| 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
本数据集为多类别目标检测数据集，共设置4个检测类别，旨在同时解决蛋种分类（鸡蛋/鸭蛋）与缺陷检测（完整/破损）的双重任务。模型不仅需要判断蛋的物种，还需判断其物理状态，属于细粒度分类+定位任务，具有一定的视觉区分难度。
类别配置
nc: 4
names:
- egg_chicken
- egg_chicken_crack
- egg_duck
- egg_duck_crack
类别详情
| 类别ID | 类别名称 | 英文名称 | 类别说明 |
|---|---|---|---|
| 0 | 鸡蛋 | egg_chicken | 外观完整、蛋壳无裂纹的鸡蛋 |
| 1 | 鸡蛋-破损 | egg_chicken_crack | 蛋壳存在裂纹、破损或缺失的鸡蛋 |
| 2 | 鸭蛋 | egg_duck | 外观完整、蛋壳无裂纹的鸭蛋 |
| 3 | 鸭蛋-破损 | egg_duck_crack | 蛋壳存在裂纹、破损或缺失的鸭蛋 |
四分类细粒度设计使模型能够同时完成蛋种判别与缺陷检测两项任务，特别适用于自动化分选、智能质检与破损率统计等专项应用场景。
四、数据集结构说明
数据集采用标准YOLO目录结构组织，遵循标准的 机器学习 划分原则，以确保模型评估的客观性。
database/
└── 鸡蛋鸭蛋缺陷分类目标检测数据集
├── 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，用于训练过程中的性能监控、超参数调整及防止过拟合；
- test/images：测试集，用于最终模型的泛化能力评估与性能基准测试。
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. 真实工业场景采集
数据全部来源于真实蛋类加工生产线与分选环境，真实反映自动化分选实际应用场景，相较于实验室理想条件数据具有更高的工程价值。
覆盖场景包括：
- 高速蛋类分选生产线
- 不同品牌与批次蛋品
- 不同清洗程度蛋品（带污渍、洁净蛋）
- 不同传送带背景与照明条件
- 不同蛋品排列方式（单枚、多枚密集排列）
能够有效提升模型的实际部署效果。
2. 多样化蛋品特征覆盖
鸡蛋与鸭蛋在外观上存在细微差异，同品种内也存在个体差异。
数据集中包含：
- 不同颜色蛋壳（浅褐、深褐、青白、白色）
- 不同大小与形状（椭圆度差异）
- 不同表面光滑度与纹理
- 不同新鲜程度蛋品
- 带斑点、带污渍等自然特征蛋品
有助于提升模型对细粒度特征的区分能力。
3. 多级破损程度覆盖
蛋类破损形态多样，从细微裂纹到严重破裂均需识别。
数据集中包含：
- 细微裂纹（发丝裂纹，肉眼不易察觉）
- 明显裂纹（可见裂痕）
- 局部蛋壳缺失
- 严重破裂（蛋液外泄）
- 不同位置的破损（顶部、底部、侧面）
能够有效增强模型对不同破损程度的检测与分级能力。
4. 丰富的环境条件覆盖
数据覆盖：
- 不同光照条件（均匀照明、局部阴影、强光反射）
- 不同拍摄角度（正上方、侧上方、倾斜）
- 不同拍摄距离（单枚特写、多枚广角）
- 不同传送带速度下的清晰度变化
- 背景干扰（异物、碎壳、标签）
能够有效增强模型在真实分选环境中的鲁棒性。
5. 高质量人工标注
所有图像均经过人工严格复核与多轮审核：
- 包含精确的边界框（Bounding Box）标注
- 确保类别标签与几何定位的一致性
- 覆盖不同光照条件、蛋品颜色差异与破损程度
- 无漏标现象
- 无类别混淆
有效保证模型训练质量。
6. 强泛化能力
数据涵盖：
- 不同蛋品来源与批次
- 不同加工阶段（清洗前、清洗后）
- 不同生产线环境
- 不同蛋品摆放姿态
能够显著提升模型在实际蛋类分选任务中的泛化能力。
六、适用场景
自动化分选线
在高速传送带上对鸡蛋、鸭蛋进行实时分类与破损蛋剔除，大幅提高分选效率与准确性。
智能质检系统
替代传统人工目检，降低人力成本，提高破损蛋检出率与分选准确率。
蛋品供应链监控
统计不同品类蛋类的破损率，识别供应链中的薄弱环节，优化包装与运输流程。
养殖场品质管理
实时监测产蛋品质，为饲养管理提供数据反馈，提升整体蛋品质量。
蛋品加工企业 ERP 集成
作为智能工厂感知模块，与ERP/MES系统对接，实现生产数据自动采集与质量追溯。
农业AI研究
作为细粒度物体检测与缺陷识别的基准数据集，推动计算机视觉在农业领域的学术研究。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 细粒度目标检测与分类研究
- 多任务目标检测研究（分类+缺陷检测）
- 工业视觉质检研究
- 农业AI与智能分选研究
- 小目标缺陷检测研究
- YOLO系列模型优化研究
- 轻量化检测模型研究
- 实时目标检测与边缘部署研究
- 域适应与跨场景泛化研究
- 数据不平衡与难例挖掘研究
- 传送带动态目标检测研究
- 食品品质无损检测研究
八、总结
鸡蛋鸭蛋缺陷分类与检测数据集（Egg Defect Detection） 包含6600张高清标注图像，采用标准YOLO格式构建，专注于蛋类智能分选场景下的蛋种分类与破损检测双重任务。数据集覆盖鸡蛋、鸡蛋-破损、鸭蛋、鸭蛋-破损4类核心检测目标，具有场景真实、细粒度标注、破损程度多样等特点，可广泛应用于自动化分选线、智能质检系统、供应链监控、农业AI研究等领域，是开展蛋类智能分选算法研发与智慧农业系统建设的优质数据资源。
