6、天池竞赛—铝型材表面瑕疵数据集
数据集下载：https://tianchi.aliyun.com/competition/entrance/231682/information
铝型材是佛山南海的支柱性产业。在铝型材的实际生产过程中，由于各方面因素的影响，铝型材表面会产生裂纹、起皮、划伤等瑕疵，这些瑕疵会严重影响铝型材的质量。为保证产品质量，需要人工进行肉眼目测。然而，铝型材的表面自身会含有纹路，与瑕疵的区分度不高。传统人工肉眼检查十分费力，不能及时准确的判断出表面瑕疵，质检的效率难以把控。近年来，深度学习在图像识别等领域取得了突飞猛进的成果。铝型材制造商迫切希望采用最新的AI技术来革新现有质检流程，自动完成质检任务，减少漏检发生率，提高产品的质量，使铝型材产品的生产管理者彻底摆脱了无法全面掌握产品表面质量的状态。本次大赛选择南海铝型材标杆企业的真实痛点作为赛题场景，寻求解决方案，助力企业实现转型升级，提升行业竞争力。
大赛数据集里有1万份来自实际生产中有瑕疵的铝型材监测影像数据，每个影像包含一个或多种瑕疵。供机器学习的样图会明确标识影像中所包含的瑕疵类型。
使用某企业某一产线某一时间段获取的铝型材图片，训练算法来定位瑕疵所在位置以及判断瑕疵的类型。
7、弱监督学习下的工业光学检测
《Weakly Supervised Learning for Industrial Optical Inspection》
数据集下载：https://hci.iwr.uni-heidelberg.de/content/weakly-supervised-learning-industrial-optical-inspection
提出了一个用于统计纹理表面检测的综合基准语料库。我们希望它有助于进一步发展和基准分类算法的应用于工业光学检测。所有数据都是公开的，可以从这个页面下载。2007年DAGM研讨会的比赛，DAGM(德意志Arbeitsgemeinschaft毛皮Mustererkennung汽车集团,德国的章IAPR国际协会(模式识别)和GNSS(德国的欧洲神经网络社会章)提供了一个开放的竞争弱监督学习工业光学检验作为DAGM研讨会的一部分,在2007年举行。该竞赛的灵感来自于自动化光学检测可以显著降低工业质量控制的成本。参赛者必须设计一种分类算法:
检测各种统计纹理背景上的各种缺陷。
学习从弱标记的训练数据自动识别缺陷。
处理在开发时不知道其确切特征的数据。
自动调整所有参数，不需要任何人工干预。
跑步时间适中(本比赛训练时间为24小时，测试阶段为12小时)。
考虑了假阳性和假阴性决策的不对称成本(竞赛使用1:20)。
这些数据是人工生成的，但类似于现实世界中的问题。10个数据集中的前6个，记为开发数据集，应该用于算法开发。剩下的四个数据集，被称为比赛数据集，可以用来评估表现。研究人员应考虑在开发完成前不使用或分析竞赛数据集作为荣誉准则。在下面我们提供一些关于数据集的细节:
每个开发(竞赛)数据集包含1000 (2000)“无缺陷”及150 (300)“有缺陷的”图像保存在灰度8位PNG格式。
每个数据集由不同的纹理模型和缺陷模型生成。
“无缺陷”的图像显示的是没有缺陷的背景纹理，“有缺陷”的图像恰好在背景纹理上标注了一个缺陷。
所有数据集被随机分割成大小相等的训练和测试子数据集。
弱标签以椭圆的形式提供，粗略地指出缺陷区域。从技术上讲，有缺陷的图像是通过位于文件夹“Label”中的PNG格式的单独的8位灰度图像来增强的。值0和255分别表示背景和缺陷区域。
8、城市路面裂缝图像数据集
数据集下载：https://github.com/cuilimeng/CrackForest-dataset
CrackForest数据集是一个能够反映城市路面状况的标注路面裂缝图像数据库。
9、桥梁裂缝图像数据集
数据集下载：https://github.com/Charmve/Surface-Defect-Detection/tree/master/Bridge_Crack_Image
该数据集主要用于训练DBCC模型和桥梁裂缝检测。
10、磁瓦表面缺陷数据集
《Saliency of magnetic tile surface defects》
数据集下载：https://github.com/Charmve/Surface-Defect-Detection/tree/master/Magnetic-Tile-Defect
这是论文《Saliency of magnetic tile surface defects》的数据集。采集了6种常见磁瓦表面缺陷的图像，并对其像素级地面真值进行标记。表面缺陷显著性检测工具箱可以在https://github.com/abin24/Saliency-detection-toolbox找到。其中，我们的MCue和其他14个显著性检测模型是可用的。
11、铁轨表面缺陷数据集
数据集下载：http://icn.bjtu.edu.cn/Visint/resources/RSDDs.aspx
RSDDs数据集包含两种类型的数据集：第一种是从快车道捕获的I型RSDDs数据集，其中包含67个具有挑战性的图像。第二个是从普通/重型运输轨道捕获的II型RSDDs数据集，其中包含128个具有挑战性的图像。 两个数据集的每幅图像至少包含一个缺陷，并且背景复杂且噪声很大。 RSDDs数据集中的这些缺陷已由一些专业的人类观察员在轨道表面检查领域进行了标记。
12、Kylberg纹理数据集
数据集下载：http://www.cb.uu.se/~gustaf/texture/
数据集描述
28个纹理类
每个职业有160个独特的纹理补丁。(Alternative dataset with 12 rotation per original patch, 160*12=1920纹理patch per class)
纹理补丁大小:576x576像素。
文件格式:无损压缩8位PNG格式。
对所有patch进行归一化，均值127，标准差40。
每个纹理类一个目录。
文件命名如下:blanket1-d-p011-r180。png，其中blanket1为类名，d为原始图像样本号(可能值为a、b、c或d)， p011为patch号11,r180 patch旋转180度。
