2、表面缺陷检测数据集
关于表面缺陷检测的文章，主要检测对象是:金属表面、液晶屏、建筑、输电线路等缺陷或异常检测对象。方法主要有分类方法、检测方法、重建方法和生成方法。论文的电子版本(PDF)放在“paper”文件夹中与日期对应的文件下。
https://github.com/Charmve/Surface-Defect-Detection/tree/master/Papers
CNN for Classfication
Image pyramid hierarchy idea and convolutional denoising autoencoder network to detect texture defects
Cascade autoencoder (CASAE) structure is used for segmentation and positioning of abnormal metal surface
Faster R-CNN for Defect Detection in Civil Engineering
Active learning for defect classification
An experiment of CNN: LCD screen anomaly detection
Deep learning & Transfer Learning
Segmentation Network for Magnetic Tile Defect Detection
Classic PHOTO Algorithm
Classic DCT Algorithm
An unsupervised scanning electron microscope image (SEM) detection method for nanofiber materials
Faster R-CNN Concrete Crack Detection
Multi-scale Convolutional Denoising Autoencoder Network Model
CNN for Classfication
Weibull
Neuro-Evolution
GAN for Defect Detection
GAN for Anomaly Detection
GAN for Defect Classfication
YOLO for Defect Classfication
Semi-supervised Method for Anomaly Detection
Use semantic segmentation methods for detection under small samples
SDD-CNN for Defect Detection
FCN for Defect Detection
Fabric Defect Detection
1、NEU表面缺陷数据库
数据集下载：http://faculty.neu.edu.cn/yunhyan/NEU_surface_defect_database.html
在东北大学(NEU)表面缺陷数据库中，收集了热轧带钢6种典型的表面缺陷，即卷缩皮(RS)、斑块(Pa)、裂纹(Cr)、点蚀面(PS)、夹杂物(In)和划痕(Sc)。该数据库包括1800张灰度图像:6种不同类型的典型表面缺陷各300个样本。
图1为六种典型表面缺陷的样本图像，每幅图像的原始分辨率为200×200像素。从图1中我们可以清楚地观察到类内缺陷在外观上存在较大差异，例如，划痕(最后一列)可能是水平划痕、垂直划痕、倾斜划痕等。同时，类间缺陷也具有相似的特征，如:滚入鳞片、裂纹和点蚀表面。此外，由于光照和材料变化的影响，类内缺陷图像的灰度值也会发生变化。总之，NEU表面缺陷数据库包含两大难题，即类内缺陷外观差异较大，类间缺陷方面相似，缺陷图像受光照和材料变化的影响。
2、在电激发光;图像中缺陷太阳能电池的视觉识别基准
数据集下载：https://github.com/zae-bayern/elpv-dataset
提供了从高分辨率光电组件的电致发光图像中提取的太阳能电池图像数据集。
该数据集包含2,624个样本，样本为300×300像素的8位灰度图像，包含44个不同退化程度的功能性和缺陷太阳能电池。注释图像中的缺陷可以是内在缺陷，也可以是外在缺陷，已知它们会降低太阳能组件的功率效率。所有的图像都在大小和透视方面进行了规范化。此外，在提取太阳能电池之前，用于捕获EL图像的相机镜头所引起的任何畸变都被消除了。
3、Kolektor表面缺陷数据集
数据集下载：https://www.vicos.si/Downloads/KolektorSDD
https://box.vicos.si/skokec/gostop/KolektorSDD.zip
该数据集是由Kolektor Group d.o.o.提供和注释的缺陷电气换向器图像构建的。具体地说，在电子换向器中嵌入的塑料表面观察到微观碎片或裂纹。每个换向器的表面积在8张不重叠的图像中被捕获。这些图像是在受控环境下拍摄的。数据集包括:
50件实物(有缺陷的电气换向器)
每件8面
共399张图片:
52张可见缺陷图像
347张图片，无任何缺陷
原图尺寸:
宽度:500像素
高度:从1240到1270像素
对于训练和评估图像，应该调整到512 x 1408像素
对于每个项目，缺陷只在至少一幅图像中可见，而两幅图像上有两个项目的缺陷，这意味着有52幅图像的缺陷可见。剩下的347张图片作为表面无缺陷的反面例子。
4、DeepPCB数据集
数据集下载：https://github.com/Charmve/Surface-Defect-Detection/tree/master/DeepPCB
DeepPCB:一个数据集包含1500对图像，每个图像由一个无缺陷的模板图像和一个对齐的测试图像组成，其中注释包括6种最常见的PCB缺陷的位置： open, short, mousebite, spur, pin hole and spurious copper。
5、天池竞赛—布匹疵点数据集
数据集下载：https://tianchi.aliyun.com/markets/tianchi/guangdong2019?spm=a2c41.13245196.0.0
链接: https://pan.baidu.com/s/12kfZxdDjiA0qMwkoLIGtog 提取码: mb92
布匹疵点检验是纺织行业生产和质量管理的重要环节，人工智能和计算机视觉技术应用于纺织行业，其价值无疑是巨大的。本赛场聚焦布匹疵点智能检测，要求选手研究开发高效可靠的计算机视觉算法，提升布匹疵点检验的准确度，降低对大量人工的依赖，提升布样疵点质检的效果和效率。初赛阶段考察素色布瑕疵检测和分类能力，复赛阶段考察花色布的瑕疵检测和分类能力。数据描述 深入佛山南海纺织车间现场采集布匹图像，制作并发布大规模的高质量布匹疵点数据集，同时提供精细的标注来满足算法要求。其中，素色布数据约8000张，花色布数据约12000张。
