DL00618 - 基于YOLOv5的钢材表面缺陷检测含数据集处理

DL00618-基于YOLOv5的钢材表面缺陷检测含数据集处理 东北大学(NEU)表面缺陷数据集，收集了热轧带钢6种典型的表面缺陷，即轧内垢(RS)、斑块(Pa)、裂纹(Cr)、点蚀面(PS)、夹杂物(In)和划痕(Sc)。 该数据库包括1800张灰度图像：6种不同类型的典型表面缺陷各300个样本。 6种典型表面缺陷的样本图像，每张图像的原始分辨率为200×200像素。 从图中，我们可以清楚地观察到类内缺陷在外观上存在较大差异，例如划痕(最后一列)可能是水平划痕、垂直划痕和倾斜划痕等。 与此同时，类间缺陷也具有相似的特征，如滚积垢、裂纹和坑状表面。 此外，由于光照和材料变化的影响，类内缺陷图像的灰度会发生变化。 总之，NEU表面缺陷数据库包含两个难题，即类内缺陷存在较大外观差异，类间缺陷具有相似方面，缺陷图像受到光照和材料变化的影响。

最近在研究钢材表面缺陷检测，用到了东北大学(NEU)表面缺陷数据集，感觉很有意思，来和大家分享一下。

这个数据集收集了热轧带钢6种典型的表面缺陷，分别是轧内垢(RS)、斑块(Pa)、裂纹(Cr)、点蚀面(PS)、夹杂物(In)和划痕(Sc)。一共有1800张灰度图像，每种缺陷各300个样本。每张图像原始分辨率是200×200像素。

从这些样本图像中能明显看出一些有趣的情况。比如说类内缺陷在外观上差异很大，就像划痕，有水平的、垂直的还有倾斜的。这给缺陷检测带来了不小的挑战，因为模型得能准确识别出不同形态的同一种缺陷。

# 这里可以简单示意一下读取图像的代码 import cv2 img = cv2.imread('defect_image.jpg', 0) # 以灰度模式读取图像

代码分析：这里使用cv2.imread函数读取图像，第二个参数0表示以灰度模式读取。这样读取出来的图像就是我们数据集中的那种灰度图，方便后续处理。

DL00618-基于YOLOv5的钢材表面缺陷检测含数据集处理 东北大学(NEU)表面缺陷数据集，收集了热轧带钢6种典型的表面缺陷，即轧内垢(RS)、斑块(Pa)、裂纹(Cr)、点蚀面(PS)、夹杂物(In)和划痕(Sc)。 该数据库包括1800张灰度图像：6种不同类型的典型表面缺陷各300个样本。 6种典型表面缺陷的样本图像，每张图像的原始分辨率为200×200像素。 从图中，我们可以清楚地观察到类内缺陷在外观上存在较大差异，例如划痕(最后一列)可能是水平划痕、垂直划痕和倾斜划痕等。 与此同时，类间缺陷也具有相似的特征，如滚积垢、裂纹和坑状表面。 此外，由于光照和材料变化的影响，类内缺陷图像的灰度会发生变化。 总之，NEU表面缺陷数据库包含两个难题，即类内缺陷存在较大外观差异，类间缺陷具有相似方面，缺陷图像受到光照和材料变化的影响。

再看类间缺陷，它们又有相似的特征，像滚积垢、裂纹和坑状表面。这就需要模型能够精准区分不同类别的缺陷特征。

而且，由于光照和材料变化的影响，类内缺陷图像的灰度也会发生变化。这也是一个头疼的问题，会干扰模型对缺陷的准确判断。

总的来说，NEU表面缺陷数据库包含两个大难题，一是类内缺陷存在较大外观差异，二是类间缺陷具有相似方面，同时缺陷图像还受到光照和材料变化的影响。不过通过不断探索和优化基于YOLOv5的检测方法，相信能逐步攻克这些难题，实现更精准的钢材表面缺陷检测！后续我也会继续和大家分享在这个过程中的更多发现和经验。