多产品零件质量跨域迁移检测数据集

跨域缺陷自适应分类目标检测网络的构建，在特征提取网络的中间层引入类别特征增强模块，通过分离出域间类别一致性特征进而增强全局对齐时类别信息；在图像分类阶段引入类别域对齐模块，以类别为条件，进行域间对齐，进一步提高跨域分类能力；最后，为了提高对微小缺陷的检测能力，在特征提取部分引入ELA注意力机制，让网络模型更加关注局部缺陷的特征信息。最终实现高质量跨域检测模型。缺陷自适应检测模型训练测试集依据http://faculty.neu.edu.cn/songkechen/zh_CN/zhym/263269/list/index.htm及https://www.kaggle.com/c/severstal-steel-defect-detection/data下载的公开数据集，通过数据清洗及数据增强形成的分析测试数据集，包含目标域和源域两个数据集，由源域到目标域进行跨域迁移，两个域对应的可用缺陷类别为斑块、开裂、点蚀以及夹杂。两个数据集共包含有19874张图片数据。

搜集汇总

背景与挑战

背景概述

该数据集用于多产品零件质量的跨域迁移检测，包含源域与目标域两个子集，共计19874张图像，标注了斑块、开裂、点蚀和夹杂四类缺陷。数据基于公开的钢铁表面缺陷数据集进行清洗和增强，旨在支持跨域缺陷检测模型的研究与训练。