awesome-surface-defect-dataset

github2026-05-20 更新2026-06-04 收录

工业视觉质检

金属表面缺陷检测

数据链接：

https://github.com/LT1st/awesome-surface-defect-dataset 数据链接链接失效反馈

官方服务：

资源简介：

该合集是一个专注于工业场景表面缺陷检测的数据集资源集合，收录了多达24个相关数据集，覆盖钢材表面、太阳能板、金属表面、PCB板、面料、铝型材、铁轨、基建裂纹、磁瓦、输电线路绝缘子等多个工业领域。合集提供了每个数据集的简要描述、用途（如分类、定位、分割任务）和访问链接，旨在为研究者和开发者提供全面的数据集索引和参考。

This collection is a curated dataset resource set focused on surface defect detection in industrial scenarios, incorporating up to 24 relevant datasets covering multiple industrial domains including steel surfaces, solar panels, general metal surfaces, printed circuit boards (PCBs), fabrics, aluminum profiles, railway tracks, infrastructure cracks, magnetic tiles, and insulators for power transmission lines. The collection provides brief descriptions, applicable tasks (such as classification, localization, and segmentation tasks), and access links for each dataset, aiming to offer comprehensive dataset indexing and references for researchers and developers.

创建时间：

2023-10-30

原始信息汇总

工业场景表面缺陷检测数据集及论文集

本仓库继承自 Charmve/Surface-Defect-Detection，自2021年以来对数据集信息进行了详细补充和更新，不包含相关论文。

表面缺陷检测关键问题

小样本问题

工业环境中缺陷样本稀少，主要解决方法包括：

数据扩增/生成：通过镜像、旋转、平移、滤波、对比度调整等操作扩增样本，或将缺陷合成到正常样本上。
网络预训练与迁移学习：使用预训练网络避免过拟合。
合理的网络结构设计：通过压缩采样、孪生网络等设计减少样本需求。
无监督或半监督：仅用正常样本训练，或利用未标注样本解决训练难题。

实时性问题

工业应用中更关注模型推断环节的效率，加速方法包括模型权重量化、模型剪枝等，FPGA被视为有吸引力的替代方案。

常用数据集

1）钢材表面数据集：NEU-CLS

用途：分类、定位任务
描述：东北大学（NEU）发布，包含热轧钢带六种典型表面缺陷：轧制氧化皮（RS）、斑块（Pa）、开裂（Cr）、点蚀表面（PS）、内含物（In）和划痕（Sc）。
数量：1800张灰度图像，每类缺陷300个样本。
标注：提供边界框和类别标签。
地址：http://faculty.neu.edu.cn/songkechen/zh_CN/zdylm/263270/list/

Kaggle - 钢材表面数据集：Severstal

描述：Severstal公司提供的钢板缺陷检测数据集。
地址：https://www.kaggle.com/c/severstal-steel-defect-detection

2）太阳能板数据集：elpv-dataset

描述：从太阳能板EL图像中提取的缺陷太阳能电池数据集，包含2,624张300×300像素的8位灰度图像，来自44个不同的太阳能模块。
标注：标记内部或外部缺陷类型。
地址：https://github.com/zae-bayern/elpv-dataset

3）金属表面数据集：KolektorSDD

描述：由Kolektor Group提供，包含有缺陷的电子换向器表面图像，观察塑料表面微碎裂或裂缝。
数量：399张图片（52张有缺陷，347张无缺陷），原始尺寸宽度500 px，高度1240-1270像素，建议调整为512×1408像素。
地址：https://www.vicos.si/Downloads/KolektorSDD

4）PCB板检测数据集：DeepPCB

描述：PCB板缺陷检测数据集。
地址：https://github.com/Charmve/Surface-Defect-Detection/tree/master/DeepPCB

5）面料缺陷数据集：AITEX

描述：七个不同织物结构的245张4096×256像素图像，包含140张无缺陷和105张有缺陷图像（12种缺陷类型），提供分割mask。
地址：百度网盘（提取码：b9uy）

6）天池布匹缺陷数据集

描述：涵盖素色布和花色布两类瑕疵，素色布约8000张用于初赛，花色布约12000张用于复赛。
地址：百度网盘（提取码：gat2）

7）天池铝型材表面瑕疵数据集

描述：1万份实际生产中有瑕疵的铝型材影像数据，共8000张2560×1920像素图像，训练集3000张（229张多瑕疵、2281张单瑕疵、1351张无缺陷）。
地址：https://tianchi.aliyun.com/competition/entrance/231682/information

8）弱监督学习下的工业光学检测（DAGM 2007）

描述：针对纹理背景上杂项缺陷，每数据集包含1000张无缺陷和150张有缺陷的灰度8位PNG图像，弱标签以椭圆形表示缺陷区域。
地址：https://hci.iwr.uni-heidelberg.de/node/3616

9）基建表面裂纹检测数据集

桥梁裂缝：2688张无像素级标注的桥梁裂缝图像。
路面裂缝：提供像素级标注。
地址：https://github.com/cuilimeng/CrackForest-dataset

10）磁瓦缺陷数据集

描述：6个常见磁砖缺陷图像，标记像素级ground truth。
地址：https://github.com/Charmve/Surface-Defect-Detection/tree/master/Magnetic-Tile-Defect

11）铁轨表面缺陷数据集：RSDDs

类型：I型（从快车道捕获，67张图像）、II型（从普通/重型运输轨道捕获，128张图像），每幅图像至少包含一个缺陷。
地址：http://icn.bjtu.edu.cn/Visint/resources/RSDDs.aspx

12）Kylberg纹理数据集 v.1.0

描述：28个纹理类，每类160个独特纹理补丁（576×576像素），无损压缩8位PNG格式。
地址：http://www.cb.uu.se/~gustaf/texture/

13）KTH-TIPS数据库

描述：重复背景纹理数据集。
地址：https://www.nada.kth.se/cvap/databases/kth-tips/download.html

14）手扶电梯梯级缺陷数据集

地址：https://aistudio.baidu.com/aistudio/datasetdetail/44820

15）输电线路绝缘子数据集

描述：含600张正常绝缘子和248张有缺陷绝缘子图像，由无人机捕获。
地址：https://github.com/InsulatorData/InsulatorDataSet

16）MVTec异常检测数据集

描述：15个类别（物体和纹理）共5K+张彩色图像，分辨率700×700至1024×1024像素，含多种手工生成的缺陷，提供ground truth。
地址：http://www.mvtec.com/company/research/datasets

17）BSData-用于实例细分和工业磨损预测的数据集

描述：1104张3通道图像，394张带注释（表面损伤“点蚀”），标注格式为JSON，可转换为VOC和COCO格式。
地址：https://github.com/2Obe/BSData

18）GID齿轮检测数据集

描述：2000张灰度图片，28575个注释，描述三类缺陷，每张图片对应一个JSON标注文件。
地址：http://www.aiinnovation.com.cn/#/dataDetail?id=34

19）NEU-surface-defect-database数据集

描述：Song于2013年提出，包含热轧带钢六种典型表面缺陷，1800张灰度图像（每类300张），原始分辨率200×200像素，提供bounding box标注。
地址：http://faculty.neu.edu.cn/songkechen/zh_CN/zdylm/263270/list/

20）NEU-DET数据集

描述：He等人在2020年提出，对NEU-CLS数据进行细粒度标注，提供目标检测Bounding-Box标签。
地址：百度网盘（密码：pmqx）

21）SD-saliency-900数据集

描述：Song等人在2020年提出，包含三种带钢表面缺陷（夹杂物、补丁、划痕），共900张图像及对应像素级二值图，分辨率200×200像素。
地址：未提供公开链接

22）Surface Defects-4i表面缺陷分割数据集

描述：Bao等人提出，包含铝、钢、铁轨、磁砖等金属表面缺陷及对应像素级标签，另增加皮革和瓷砖作为扩展数据，共12种不同类型表面缺陷。
地址：未提供公开链接

23）RSDDS-113数据集

描述：Niu等人提出，取自型钢工厂实际生产线，包含113对典型缺陷图像（左摄像头图像和相应深度图像），覆盖轨腰、踏面和底表面。
地址：https://github.com/neu-rail-rsdds/rsdds

24）改进的X-SDD数据集

描述：Feng等人在2021年提供，包含7种典型热轧带钢故障图像，共1360张图像，样本数量不平衡。
地址：https://github.com/Fighter20092392/X-SDD-A-New-benchmark

25）Rail-5k数据集

描述：Zhang等人在2021年提供，用于钢轨表面缺陷检测，包含13种铁路缺陷类型，共5000多张高质量图像（1100张有注释），分辨率3648×2736像素，支持监督学习和半监督学习。
地址：未提供公开链接

最佳数据集来源盘点

站点	链接	推荐指数
Kaggle	https://www.kaggle.com/datasets	⭐⭐⭐⭐⭐
Paper With Code	https://paperwithcode.com/sota	⭐⭐⭐⭐⭐
亚马逊数据集	https://registry.opendata.aws	⭐⭐⭐
UCI机器学习库	https://archive.ics.uci.edu/ml/datasets.html	⭐⭐⭐
谷歌的数据集搜索引擎	https://toolbox.google.com/datasetsearch	⭐⭐⭐⭐
微软数据集	https://msropendata.com	⭐⭐⭐
Awesome公共数据集	https://github.com/awesomedata/awesome-public-datasets	⭐⭐