纺织瑕疵检测5595张YOLO纺织质检数据集分享
数据集分享下载
链接: https://pan.baidu.com/s/1r22-t2G8QxBqvIIHBEcbVw?pwd=dmpf
提取码: dmpf
一、数据集概述
本数据集是针对纺织工业智能质检、布料瑕疵识别、纺织品缺陷检测场景打造的高质量专用 目标检测 数据集，共包含5595张高质量精细标注纺织面料图像。该数据集主要用于 深度学习 目标检测、瑕疵分类、智能质检算法的训练、验证与测试，可广泛应用于纺织工厂自动化质检、服装面料瑕疵筛查、纺织品出厂检测、智能视觉分拣等工业生产场景，能够有效替代人工肉眼质检，为纺织行业智能化、高效化质检落地提供可靠的数据支撑，适用于YOL O系列 、SSD、Faster R-CNN等主流目标检测算法的训练、验证与测试。
随着纺织工业智能化升级的加速推进，利用计算机视觉技术实现面料瑕疵的自动检测与分类已成为提升质检效率、降低人工成本、保障产品质量的重要手段。本数据集针对纺织瑕疵检测场景中瑕疵形态多样、面料纹理复杂、光照条件变化等问题进行专项构建，可为纺织工业 AI 落地与智能质检系统开发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 | 纺织瑕疵检测数据集 |
| 数据规模 | 5595张高质量标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 其他线头、脱出线头、其他瑕疵、污渍 |
| 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 | 真实纺织生产流水线与面料加工场景 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv8、YOLOv10、YOLOv11、SSD、Faster R-CNN等 |
三、数据集类别说明
本数据集为四分类纺织瑕疵检测数据集，类别划分贴合纺织生产实际缺陷类型，精准区分线头类缺陷、污渍类缺陷以及各类不规则杂项瑕疵，分类边界清晰、无重叠歧义，全面覆盖纺织品生产过程中的常见外观缺陷。
类别配置
nc: 4
names:
- thread_other
- loose_thread
- defect_other
- stain
类别详情
| 类别ID | 类别名称 | 英文名称 | 类别说明 |
|---|---|---|---|
| 0 | 其他线头 | thread_other | 面料表面各类线头类瑕疵，包括杂线、浮线、多余线头等 |
| 1 | 脱出线头 | loose_thread | 纱线从面料结构中脱出形成的线头或线圈 |
| 2 | 其他瑕疵 | defect_other | 除线头和污渍外的各类不规则瑕疵，如织造缺陷、破洞、色差等 |
| 3 | 污渍 | stain | 面料表面的各类污染痕迹，包括油污、色渍、脏污等 |
四分类设计完整覆盖纺织品生产过程中的常见外观缺陷：
- 线头类（其他线头、脱出线头）：纺织过程中最常见的缺陷类型
- 污染类（污渍）：生产流转过程中产生的各类污染
- 杂项类（其他瑕疵）：涵盖织造缺陷、破洞、色差等不规则瑕疵
分类体系贴合国内纺织行业质检标准，能够满足纺织面料瑕疵检测、缺陷分类、瑕疵统计等 算法 研发与工业落地需求。
四、数据集结构说明
数据集采用工业深度学习标准目录结构，严格划分为训练集、验证集、测试集三个独立子集，文件夹结构规整、数据划分规范，无需二次预处理与格式调整，可直接适配各类主流目标检测框架。
database/
└── 纺织瑕疵检测数据集
├── train
│ └── images
├── valid
│ └── images
└── test
└── images
各数据集作用如下：
- train/images：训练集图像，用于模型参数学习与特征提取；
- valid/images：验证集图像，用于超参数调优、早停监控及防止过拟合；
- test/images：测试集图像，用于最终模型性能评估与泛化能力测试。
科学的数据集划分方式有效规避数据交叉污染与泄露问题，保障模型训练稳定性与检测结果的真实性、可靠性。
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纺织生产流水线、面料成品抽检、服装布料加工等工业场景，真实反映纺织瑕疵检测实际应用场景，具有高度的工程实用价值。
覆盖场景包括：
- 纺织生产流水线在线检测
- 面料成品抽检
- 服装布料加工环节
- 不同面料材质（棉、麻、化纤、混纺等）
- 不同纹理花色（素色、条纹、格子、印花等）
能够有效提升模型的实际部署效果。
2. 多样化瑕疵形态覆盖
四类瑕疵涵盖了纺织生产中高频出现的各类表面缺陷：
- 线头类：细微线头、脱出线头、浮线、多余纱线
- 污渍类：油污、色渍、脏污、化学污染
- 杂项瑕疵：破洞、织造疵点、色差、印染缺陷
- 不同程度：正常布料、轻微瑕疵、重度瑕疵差异化样本
覆盖从细微瑕疵到显著缺陷的完整瑕疵谱系。
3. 丰富的面料与场景条件
数据涵盖：
- 不同面料材质与织造结构
- 不同纹理花色与颜色
- 不同光照条件与拍摄环境
- 不同生产环节与工艺阶段
- 不同瑕疵尺寸（细小线头到大面积污渍）
能够有效增强模型在真实工业环境中的鲁棒性。
4. 高质量人工标注
所有图像样本均经过严格筛选与人工精细标注：
- 剔除画面模糊、纹理失真、光照过曝、无瑕疵无效样本
- 标注框精准贴合瑕疵区域
- 标注标准统一、错标漏标率极低
- 四类瑕疵判别标准清晰一致
有效保证模型训练质量。
5. 适配轻量化与高精度模型
样本丰富、场景多样性高，适配轻量化工业部署模型（轻量YOLO、MobileNet等）与高精度科研模型（YOLOv8、Faster R- CNN 等）训练，适用于纺织工业AI落地、高校科研、质检系统开发、企业项目实训等场景。
6. 即用型数据组织
采用标准YOLO目录结构组织，无需二次预处理与格式调整，可直接适配YOLO系列、SSD、Faster R-CNN等各类主流目标检测框架，快速开展模型训练、参数调优与性能评估。
六、适用场景
纺织工厂自动化质检
部署于纺织生产流水线，实现面料瑕疵的在线实时检测与自动报警，替代人工肉眼质检。
服装面料瑕疵筛查
在服装加工前对面料进行全检，识别线头、污渍、破洞等缺陷，避免瑕疵流入成品环节。
纺织品出厂检测
在成品出厂前进行最终质量检测，确保产品符合质量标准与客户要求。
智能视觉分拣
结合检测结果驱动自动化分拣设备，实现合格品与瑕疵品的自动分离。
瑕疵统计分析
自动统计各类瑕疵发生率与分布趋势，为生产工艺优化与质量改进提供数据支持。
纺织工业AI落地
作为纺织智能质检平台的核心感知模块，推动人工智能在传统纺织行业的落地应用。
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
- 纺织品瑕疵检测研究
- 多类别目标检测研究（4类）
- 小目标瑕疵检测研究
- 纹理复杂背景目标检测研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究
- 实时目标检测研究
- 域适应与跨场景泛化研究
- 智能制造与工业视觉研究
- 数据增强与少样本学习研究
八、总结
纺织瑕疵检测数据集包含5595张高质量标注图像，采用标准YOLO格式构建，专注于纺织面料的瑕疵检测与分类任务。数据集覆盖其他线头、脱出线头、其他瑕疵、污渍4类核心检测目标，具有场景真实、瑕疵形态多样、标注精准等特点，可广泛应用于纺织工厂自动化质检、面料瑕疵筛查、智能视觉分拣、瑕疵统计分析等领域，是开展纺织智能视觉检测算法研发与工业质检系统建设的优质数据资源。
