266美元打造本地AI平板：四个开源模型离线部署实战
2026/8/28 22:33:46
工业轴承表面缺陷检测数据集
1.该数据集的缺陷类别共为三类，分别包含：擦伤缺陷（cashang），凹槽缺陷（aocao），划痕缺陷（huahen）。
2.该数据集共5824张JPG图片，5824个xml标签文件和txt标签文件。可以发送两种大小的数据集，一份是416尺寸，一份是640尺寸，均是原始数据做的压缩，均有标签文件。三类缺陷在标签文件中分别命名为：cashang，aocao，huahen。（5824中原图有2300左右，其余都为添加高斯白噪声增强的数据）
以下是轴承表面缺陷检测数据集的详细信息表，以结构化表格形式呈现，便于用于项目文档、模型训练配置或技术报告：
🔧 轴承表面缺陷检测数据集信息表
| 信息类别 | 具体内容 |
|---|---|
| 数据集名称 | 轴承表面缺陷检测数据集（Bearing Surface Defect Detection Dataset） |
| 应用场景 | 工业质检、智能制造、自动化视觉检测、AI+制造 |
| 总图像数量 | 5824 张 JPG 图像 |
| 原始图像数量 | ≈2300 张（真实采集） |
| 增强图像数量 | ≈3524 张（通过添加高斯白噪声生成） |
| 图像格式 | JPG（RGB） |
| 标注格式 | ✅VOC XML（兼容 LabelImg、Detectron2、MMDetection） ✅YOLO TXT（兼容 YOLOv5/v8/Ultralytics 等） |
| 提供分辨率版本 | 1.416×416（适合轻量模型如 YOLOv5n/s） 2.640×640（适合高精度模型如 YOLOv8m/l） ⚠️ 均由原始图压缩/缩放生成，非裁剪 |
| 类别数量 | 3 类 |
| 类别定义（中英文 + 标签名） | |
•cashang | 擦伤缺陷（表面浅层摩擦损伤，呈不规则斑块状） |
•aocao | 凹槽缺陷（线性或弧形凹陷，深度较明显） |
•huahen | 划痕缺陷（细长线状刮伤，方向性强） |
| 标签一致性 | 每张图像对应一个.xml和一个.txt文件，类别名严格一致（均为小写英文：cashang,aocao,huahen） |
| 数据划分建议 | 用户可自定义划分（如 7:2:1），因未预划分 train/val/test |
| 典型挑战 | - 缺陷尺度小、对比度低 - 三类缺陷形态相似（尤其 aocao与huahen）- 噪声增强可能引入伪影，需注意泛化性 |
| 适用模型 | YOLOv5 / YOLOv8 / Faster R-CNN / SSD / EfficientDet 等主流目标检测框架 |
| 推荐用途 | - 工业在线质检系统 - 缺陷分类与定位一体化 - 小样本/噪声鲁棒性研究 |
📁 推荐目录结构（用户可自建）
bearing_defect_dataset/ ├── images/# 5824 张 .jpg├── labels_voc/# 5824 个 .xml（VOC 格式）├── labels_yolo/# 5824 个 .txt（YOLO 格式）└── README.md# 数据说明💡YOLO 标签格式示例（.txt）：
class_id center_x center_y width height（归一化到 [0,1]）
其中：0=cashang,1=aocao,2=huahen
💡VOC 标签格式示例（.xml）：
<name>huahen</name>出现在<object>标签内
⚙️ 使用建议
该数据集适用于构建高鲁棒性轴承表面缺陷智能检测系统，可有效提升工业质检效率与一致性，减少人工漏检，保障高端装备零部件质量。
1
1
1
轴承表面缺陷智能检测系统 yolo数据集 轴承缺陷数据集