2OBe/Ball_Screw_Drive_Classification

该数据集包含21835张150x150像素的RGB图像，展示了Ball Screw Drives的表面。其中11075张图像没有表面缺陷，其余图像展示了称为pittings的表面缺陷。数据集在类别上均匀分布。Pittings是由表面破坏引起的，最终可能导致组件故障。为了保持机器的高可用性，及时发现表面缺陷非常重要。该数据集为研究人员和从业者提供了训练和测试机器工具元件表面缺陷分类模型的可能性。图像文件名中的N表示无缺陷图像，P表示有pittings的图像。部分图像由于在技术操作下拍摄，可能覆盖有从浅棕色到深色和黑色色调的油脂，这使得即使是人类专家也难以确定其真实类别，尤其是在边缘情况下。图像采集过程中，相机被安装在BSD-nut上，垂直指向主轴，主轴在相机下旋转。该数据集与在imagenet或cifar等预训练模型共享的类别不同，可能需要提取特征或微调/训练模型。

原始信息汇总

数据集概述

基本信息

• 数据集名称： Ball Screw Drive Defect Classification
• 任务类别： 图像分类
• 美观名称： Ball Screw Drive Classification
• 大小类别： 10K<n<100K
• 标签： 机械工程, 生产科学, 预测性维护
• 许可证： cc-by-nc-4.0

数据集内容

• 图像数量： 21835张
• 图像尺寸： 150x150像素，RGB格式
• 图像内容： 包含11075张无表面缺陷的图像和其余显示表面缺陷（称为pittings）的图像
• 文件命名规则： 文件名中包含"N"的为无缺陷图像，包含"P"的为显示pittings的图像
• 特殊情况： 部分图像因技术操作中的润滑脂覆盖，颜色从浅棕到深黑不等，有时难以确定真实类别

数据采集

• 采集方式： 相机固定在BSD-nut上，垂直指向轴，轴在相机下旋转

使用建议

• 模型兼容性： 不与预训练的imagenet或cifar等模型共享类别，可能需要提取特征或微调/训练模型

搜集汇总

数据集介绍

构建方式

在机械工程领域，表面缺陷检测对于预测性维护至关重要。该数据集的构建源于对滚珠丝杠驱动表面缺陷的系统性采集。研究人员将相机垂直安装于滚珠丝杠螺母之上，使其对准主轴，并在主轴旋转过程中连续拍摄表面图像。最终收集了21835张150x150像素的RGB图像，其中11075张为无缺陷表面，其余10760张则呈现了称为点蚀的缺陷形态。图像采集过程中，部分样本因技术操作而沾染了从浅棕至深黑不等的油脂，这模拟了工业环境下的真实条件。值得注意的是，部分图像文件名以'_'结尾，表示其被旋转了90度，这一特性源于采集流程，可视为一种自然的数据增强手段。

特点

该数据集在工业视觉检测领域展现出鲜明的特点。其图像均聚焦于滚珠丝杠驱动表面，清晰呈现了点蚀缺陷的形态，这类缺陷源于表面破坏，可能导致组件失效。数据分布较为均衡，无缺陷与有缺陷图像数量基本相当，为二分类任务提供了良好基础。数据集的一个独特之处在于部分图像存在90度旋转，这虽源于采集过程，却无形中增加了样本的视角多样性。此外，部分图像因实际工况而带有油脂污染，色泽从浅棕到深黑不等，这增加了识别难度，甚至对人类专家而言，某些边缘案例也难以判定，从而更真实地反映了工业检测中的挑战性场景。

使用方法

在利用该数据集进行机器学习研究时，需注意其与ImageNet或CIFAR等通用预训练模型的类别并不重合，因此通常需要从头训练模型或进行深度微调。研究者可直接将其用于图像分类任务，区分表面有无点蚀缺陷。文件名中的'N'代表无缺陷样本，'P'则代表有点蚀的样本，便于数据加载与标签分配。对于文件名以'_'结尾的旋转图像，用户可根据需要选择保留其旋转状态以增强模型鲁棒性，或将其反转回原始方向。由于数据集中存在油脂污染导致的视觉模糊案例，建议在评估模型性能时，特别关注这些困难样本的分类准确性，以检验模型在真实工业环境下的实用潜力。

背景与挑战

背景概述

在机械工程与预测性维护领域，表面缺陷检测是保障设备可靠性与延长使用寿命的关键技术。2021年，由研究人员Tobias Schlagenhauf创建的滚珠丝杠驱动表面缺陷分类数据集，聚焦于工业场景中滚珠丝杠表面点蚀缺陷的识别问题。该数据集包含21835张150x150像素的RGB图像，均匀涵盖正常与缺陷样本，旨在为机器学习模型提供训练与测试基础，推动机械部件智能监测技术的发展，对提升生产设备的可用性与维护效率具有显著影响。

当前挑战

该数据集致力于解决机械部件表面缺陷分类的挑战，核心在于区分正常表面与点蚀缺陷，这类缺陷细微且形态多样，对模型的判别精度提出较高要求。构建过程中，图像采集面临实际工业环境的复杂性：部分样本因润滑油脂覆盖导致颜色干扰，增加了缺陷识别的模糊性；同时，图像旋转作为采集过程的副产品，虽可视为数据增强，但也引入了预处理需求。这些因素共同构成了数据集在真实场景应用与模型泛化能力上的双重考验。

常用场景

经典使用场景

在机械工程与预测性维护领域，Ball Screw Drive Classification数据集为表面缺陷检测提供了关键资源。该数据集通过21835张滚珠丝杠表面图像，均匀涵盖无缺陷与点蚀缺陷两类样本，为图像分类任务奠定了坚实基础。其经典使用场景集中于训练深度学习模型，如卷积神经网络，以自动识别滚珠丝杠表面的微观点蚀缺陷，这些缺陷源于表面破坏，可能导致组件失效。通过旋转图像等自然增强特性，数据集有效模拟了工业采集环境中的视角变化，提升了模型在复杂条件下的泛化能力。

实际应用

在实际工业场景中，该数据集广泛应用于自动化生产线上的实时质量监控系统。例如，在数控机床或精密制造设备中，集成基于该数据训练的模型可实现滚珠丝杠表面缺陷的在线检测，及时识别点蚀并触发维护警报。这不仅提升了设备可用性与生产效率，还减少了停机时间和维护成本。此外，数据集支持开发嵌入式视觉系统，用于恶劣工业环境如油污覆盖条件下的可靠检测，增强了工业自动化的智能化水平。

衍生相关工作

基于该数据集，衍生出多项经典研究工作，主要集中在缺陷分类算法的优化与工业应用扩展。例如，研究者利用迁移学习技术，将预训练模型适配于滚珠丝杠的特定缺陷识别，提高了小数据场景下的准确率。另有工作结合生成对抗网络，合成油污环境下的增强图像，以提升模型鲁棒性。这些研究不仅推动了预测性维护领域的算法创新，还为类似机械组件如轴承或齿轮的表面检测提供了可迁移框架，促进了工业视觉检测技术的标准化发展。